第四章 結果與討論
第三節 ANFIS 模擬 SS 之結果
一、 以三角形隸屬函數預測
A
NFIS 三角形隸屬函數對 SS 網路訓練與預測結果：本研究以 2 V 1、3 V 1 、4 V 1 進行預測模擬；SS 對 4 個參數 (TW、P、COD、TA )模擬訓練之結果，其 MAPE 為 496.86%、其 R 值為 0.98、MSE 值為 16998.89、RMSE 值為 130.38；
預測之結果，其 MAPE 為 6791.49%、其 R 值為-0.23、MSE 值為 64184115.73、
RMSE 值為 8011.50，結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。
SS 對 3 個參數 (TW、P、COD、)模擬訓練之結果，其 MAPE 為 990.69%、
其 R 值為 0.89、MSE 值為 112318.13、RMSE 值為 335.14；預測之結果，其 MAPE 為 1453.37%、R 值為-0.16、MSE 值為 3739926.15、RMSE 值為 1933.89，
結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，
預測 R 值屬於低度相關。
SS 對 2 個參數 ( COD、河川污染指數 )模擬訓練之結果，其 MAPE 為 346.70%、其 R 值為 0.81、MSE 值為 176349.44、RMSE 值為 419.94；預測 之結果，其 MAPE 為 103.14%、R 值為 0.80、MSE 值為 855098.34、RMSE 值為 924.72，結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練即預測 R 值屬於高度相關。
ANFIS 三角形隸屬函數對 SS 模擬，整體結果顯示中，訓練 MAPE 屬於不 正確之範圍；訓練 R 值多屬於高精確度，預測 R 值僅 2 V 1 屬高度相關。顯示 模擬值與實際值模擬效果有差異。將上述模擬結果整理於表 4-5 中。
59
表 4-8 三角形隸屬函數之模擬 SS 結果 ANFIS
SS
三角函數 MAPE (％) R MSE RMSE
4V1
訓練 496.86% 0.98 16998.89 130.38 預測 6791.49% -0.23 64184115.73 8011.50
3V1
訓練 990.69% 0.89 112318.13 335.14 預測 1453.37% -0.16 3739926.15 1933.89
2V1
訓練 346.70% 0.81 176349.44 419.94 預測 103.14% 0.80 855098.34 924.72
60
二、 以梯形隸屬函數預測
A
NFIS 以梯形隸屬函數對 SS 網路訓練與預測結果：SS 對 4 個參數模擬 訓練之結果，其 MAPE 為 339.79%、其 R 值為 0.95、MSE 值為 50322.71、RMSE 值為 224.33；預測之結果，其 MAPE 為 529.51%、R 值為-0.26、MSE 值為 1412126.25、RMSE 值為 1188.33，結果顯示訓練及預測之 MAPE 屬於不 正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。
SS 對 3 個參數模擬訓練之結果，其 MAPE 為 433.60%、其 R 值為 0.86、
MSE 值為 133838.41、RMSE 值為 365.84；預測之結果，其 MAPE 為 63.94%、
R 值為 0.27、MSE 值為 1069309.71、RMSE 值為 1034.07，結果顯示訓練及預 測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度 相關。
SS 對 2 個參數模擬訓練之結果，其 MAPE 為 310.94%、其 R 值為 0.94、
MSE 值為 61261.75、RMSE 值為 247.51；預測之結果，其 MAPE 為 70.50%、
R 值為 0.08、MSE 值為 1006898.40、RMSE 值為 1003.44，結果顯示訓練及預 測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度 相關。
ANFIS 三角形隸屬函數對 SS 模擬，整體結果顯示中，訓練 MAPE 屬於不 正確之範圍；訓練 R 值多屬於高精確度，預測 R 值僅 2 V 1 屬高度相關。顯示 模擬值與實際值模擬效果有差異。將上述模擬結果整理於表 4-6。
61
表 4-9 梯形隸屬函數之模擬 SS 結果 ANFIS
SS
梯形函數 MAPE (％) R MSE RMSE
4V1
訓練 339.79% 0.95 50322.71 224.33 預測 529.51% -0.26 1412126.25 1188.33
3V1
訓練 433.60% 0.86 133838.41 365.84 預測 63.94% 0.27 1069309.71 1034.07
2V1
訓練 310.94% 0.94 61261.75 247.51 預測 70.50% 0.08 1006898.40 1003.44
62
三、 以鐘形隸屬函數預測
ANFIS 以鐘形隸屬函數對 SS 網路訓練與預測結果： SS 對 4 個參數模擬 訓練之結果，其 MAPE 為 243.73%、其 R 值為 0.99、MSE 值為 7174.04、
RMSE 值為 84.70；預測之結果，其 MAPE 為 2370.19%、R 值為 0.18、MSE 值為 12998388.47、RMSE 值為 3605.33，結果顯示訓練及預測之 MAPE 屬於不 正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。
SS 對 3 個參數模擬訓練之結果，其 MAPE 為 252.07%、其 R 值為 0.96、
MSE 值為 36953.73、RMSE 值為 192.23；預測之結果，其 MAPE 為 602.51%、
R 值為 0.27、MSE 值為 1682171.56、RMSE 值為 1296.99，結果顯示訓練及預 測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度 相關。
SS 對 2 個參數模擬訓練之結果，其 MAPE 為 247.45%、其 R 值為 0.95、
MSE 值為 49783.90、RMSE 值為 223.12；預測之結果，其 MAPE 為 140.45%、
R 值為 0.22、MSE 值為 2494526.32、RMSE 值為 1579.41，結果顯示訓練及預 測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度 相關。
ANFIS 鐘形隸屬函數對 SS 模擬，整體結果顯示結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。
顯示模擬值與實際值模擬效果有差異。將上述模擬結果整理於表 4-7。
63
表 4-10 鐘形隸屬函數之模擬 SS 結果 ANFIS
SS
鐘形函數 MAPE (％) R MSE RMSE
4V1
訓練 243.73% 0.99 7174.04 84.70 預測 2370.19% 0.18 12998388.47 3605.33
3V1
訓練 252.07% 0.96 36953.73 192.23 預測 602.51% 0.27 1682171.56 1296.99
2V1
訓練 247.45% 0.95 49783.90 223.12 預測 140.45% 0.22 2494526.32 1579.41
64
四、 以高斯隸屬函數預測
ANFIS 以高斯隸屬函數對 SS 網路訓練與預測結果： SS 對 4 個參數模擬 訓練之結果，其 MAPE 為 266.98%、其 R 值為 0.99、MSE 值為 8706.49、RMSE 值為 93.31；預測之結果，其 MAPE 為 4561.41%、R 值為 0.23、MSE 值為 33021768.60、RMSE 值為 5746.46，結果顯示訓練 MAPE 屬於合理範圍，結果 顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。
SS 對 3 個參數模擬訓練之結果，其 MAPE 為 222.29%、其 R 值為 0.96、
MSE 值為 37484.24、RMSE 值為 193.61；預測之結果，其 MAPE 為 158.58%、
R 值為 0.07、MSE 值為 1080176.56、RMSE 值為 1039.32，結果顯示訓練 MAPE 屬於合理範圍，結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值 屬於高度相關，預測 R 值屬於低度相關。
SS 對 2 個參數模擬訓練之結果，其 MAPE 為 278.70%、其 R 值為 0.95、
MSE 值為 52460.01、RMSE 值為 229.04；預測之結果，其 MAPE 為 258.71%、
R 值為 0.11、MSE 值為 8529520.85、RMSE 值為 2920.53，結果顯示訓練 MAPE 屬於合理範圍，結果顯示訓練及預測之 MAPE 屬於不正確之範圍；訓練 R 值 屬於高度相關，預測 R 值屬於低度相關。
ANFIS 高斯隸屬函數對 SS 模擬，整體結果顯示訓練及預測之 MAPE 屬於 不正確之範圍；訓練 R 值屬於高度相關，預測 R 值屬於低度相關。顯示模擬 值與實際值模擬效果有差異。將上述模擬結果整理於表 4-8。
65
表 4-11 高斯隸屬函數模擬 SS 之結果 ANFIS
SS
高斯函數 MAPE (％) R MSE RMSE
4V1
訓練 266.98% 0.99 8706.49 93.31 預測 4561.41% 0.23 33021768.60 5746.46
3V1
訓練 222.29% 0.96 37484.24 193.61 預測 158.58% 0.07 1080176.56 1039.32
2V1
訓練 278.70% 0.95 52460.01 229.04 預測 258.71% 0.11 8529520.85 2920.53
66