簡易檢索 / 詳目顯示
| 研究生： |
陳嘉甄 Chen, Chia-Chen |
|---|---|
| 論文名稱： |
類神經網路應用於國小教師需求之預測 Forecasting the number of teacher in elementary schools im Taiwan Area by neural network |
| 指導教授： | 馬信行 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
教育學院 - 教育學系 Department of Education |
| 論文出版年： | 1998 |
| 畢業學年度： | 86 |
| 語文別： | 中文 |
| 論文頁數： | 131 |
| 中文關鍵詞： | 類神經網路 、時間序列 、預測 、國小教師 |
| 外文關鍵詞： | Elementary teacher |
| 相關次數： | 點閱：113 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
國小教師供需問題是目前教育界中的一個重要問題，教師需求量的預測精確與否，將影響及教育政策的制定。本研究中，我們使用單變量 ARIMA 及類神經網路，以預測台灣地區 1996 到 1998 年之間的國小教師需求量。
研究結果顯示，在預測國小教師數列上，ARIMA 及類神經望陸均有很好的表現。類神經網路的可用範圍寬廣，適於各種複雜的情境，然而就本研究的主要探討對象--國小教師數列而言，以單變數的神經網路便已足夠。如果能選擇適當、具明顯特徵的資料，則網路將有更佳的預測效果。
由於類神經網路具有自我學習、自我調適、及平行處理等優點，因此在發展教師供需預測系統時，除了 ARIMA 之外，類神經網路為另一可行方法。
The demand for and supply of teachers in elementary schools is an important problem in education administration. An accurate forecast of the number of teachers needs in elementary schools may heavily affect educational policy. In this thesis, we use the univariate time series analysis and Neural Networks to forecast the number of teacher in elementary schools in Taiwan Area during a period from 1996 to 1998.
According to the result, both Box-Jenkins model and Neural Network perform well for prediction. Neural Network can be widely used in different circumstance, especially complicated situation. In this research, however, it is enough to predict number of teacher by the univariate neural network. In other word, if selecting suitable data variables, we could obtain better predictable effect by neural network.
With the advantages of self-learning, self adaptation, and parallel processing, the Neural Network approach is a promising alternative approach to time series for developing a teacher demand and supply forecasting system.
目錄
第一章 緒論 1
第一節 研究動機與目的 1
第二節 研究問題 5
第三節 研究範圍與限制 6
第四節 論文架構 8
第二章 文獻探討 9
第一節 非線性動態系統 9
第二節 各種師資需求預測方式 14
第三節 影響師資供求的因素 30
第四節 ARIMA 與類神經網路預測效果之比較 32
第三章 研究方法 35
第一節 時間數列分析 35
第二節 類神經網路 38
第三節 倒傳遞類神經網路 45
第四節 網路建構 52
第五節 ARIMA 方法簡介 58
第四章 實驗結果 62
第一節 資料分析 62
第二節 多變數類神經網路 63
第三節 單變數類神經網路(一) 80
第四節 單變數類神經網路(二) 92
第五節 單變數類神經網路(三) 100
第六節 ARIMA 模式 108
第五章 研究討論與建議 119
第一節 研究討論 122
第二節 研究建議 124
參考書目 127
圖表目錄
【圖次】
圖1 反饋系統 10
圖2 預測的基本形式 14
圖3 我國國小教師時間數列自我相關分析圖 37
圖4 我國國小教師時間數列偏自我相關分析圖 37
圖5 網路架構圖 42
圖6 類神經網路結構圖 46
圖7 類神經網路運作簡圖 46
圖8 倒傳遞網路訓練流程 50
圖9 多變數網路架構圖 72
圖10 多變數網路誤差选待圖 75
圖11 多變數網路範例學習結果 75
圖12 多變數網路權重分配圖 78
圖13 多變數網路配適誤差圖 78
圖14 多變數網路對原始數列的配適 79
圖15 (3,2,1)網路架構圖 84
圖16 單變數網路(一)誤差选待圖 88
圖17 單變數網路(一)範例學習結果 89
圖18 單變數網路(一)學習誤差圖 91
圖19 單變數網路(一)預測曲線 94
圖20 單變數網路(二)架構 97
圖21 單變數網路(二)配適圖 98
圖22 單變數網路(二)誤差走勢圖 98
圖23 單變數網路(二)預測曲線圖 98
圖24 單變數網路(三)架構 102
圖25 單變數網路(三)配適圖 105
圖26 單變數網路(三)走勢圖 106
圖27 單變數網路(三)預測曲線 106
圖28 我國國小教師數列走勢 109
圖29 一次差分教師數列走勢圖 111
圖30 差分數列 ACF 112
圖31 差分數列之 PACF 112
圖32 殘差走勢圖 114
圖33 配適殘差圖 114
圖34 殘差之 PACF 115
圖35 殘差之 ACF 115
圖36 殘差值常態分配 116
圖37 模式對原數列的配適圖形 117
圖38 模式對原數列的預測圖形 117
【表次】
表1 吳俊明（民 83 ）高職教師人數之模擬預測值 24
表2 時間序列與類神經網路比較表 26
表3 類神經網路與統計概念對照表 51
表4 單變量平穩時間數列之理論 ACF 與 PACF 特性 60
表5 多變數網路的相關參數設定值 67
表6 原始資料處理表 68
表7 多變數網路輸入--隱藏層權重值 73
表8 多變數網路結點計算式 74
表9 多變數網路結點實際計算值 76
表10 多變數網路預測表 79
表11 單變數網路(一)參數設定表 83
表12 單變數網路(一)輸入--隱藏層權重值 85
表13 單變數網路(一)結點計算式 85
表14 單變數網路(一)實際計算值 86
表15 單變數網路(一)神經網路預測表 90
表16 類神經網模式的相關參數設定值 93
表17 單變數網路(二)各層權重值 95
表18 單變數網路(二)結點計算式 95
表19 單變數網路(二)網路結點實際計算值 99
表20 單變數網路(二)預測表 99
表21 單變數網路(三)的相關參數設定值 101
表22 單變數網路(三)各層權重值 103
表23 單變數網路(三)結點計算式 103
表24 單變數網路(三)結點實際計算值 104
表25 單變數網路(三)預測表 107
表26 參數估計表 113
表27 模式(1,1,1)預測表 118
表28 類神經網路與 ARIMA 預測結果比較表 120
表29 ARIMA 模式預測表 122
(限達賢圖書館四樓資訊教室A單機使用)