| dc.contributor.advisor | 馬信行 | zh_TW |
| dc.contributor.author (作者) | 陳嘉甄 | zh_TW |
| dc.contributor.author (作者) | Chen, Chia-Chen | en_US |
| dc.creator (作者) | 陳嘉甄 | zh_TW |
| dc.creator (作者) | Chen, Chia-Chen | en_US |
| dc.date (日期) | 1997 | en_US |
| dc.date.accessioned | 27-四月-2016 11:18:17 (UTC+8) | - |
| dc.date.available | 27-四月-2016 11:18:17 (UTC+8) | - |
| dc.date.issued (上傳時間) | 27-四月-2016 11:18:17 (UTC+8) | - |
| dc.identifier (其他 識別碼) | B2002001930 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/86351 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 教育學系 | zh_TW |
| dc.description (描述) | 85152011 | zh_TW |
| dc.description.abstract (摘要) | 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。 | zh_TW |
| dc.description.abstract (摘要) | 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. | en_US |
| dc.description.abstract (摘要) | 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 | - |
| dc.description.tableofcontents | 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 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#B2002001930 | en_US |
| dc.subject (關鍵詞) | 類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 時間序列 | zh_TW |
| dc.subject (關鍵詞) | 預測 | zh_TW |
| dc.subject (關鍵詞) | 國小教師 | zh_TW |
| dc.subject (關鍵詞) | Neural network | en_US |
| dc.subject (關鍵詞) | Time series | en_US |
| dc.subject (關鍵詞) | ARIMA | en_US |
| dc.subject (關鍵詞) | Elementary teacher | en_US |
| dc.subject (關鍵詞) | Forecast | en_US |
| dc.title (題名) | 類神經網路應用於國小教師需求之預測 | zh_TW |
| dc.title (題名) | Forecasting the number of teacher in elementary schools im Taiwan Area by neural network | en_US |
| dc.type (資料類型) | thesis | en_US |
