請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82162完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 黃奎隆(Kwei-Long Huang) | |
| dc.contributor.author | Fu Chuang | en |
| dc.contributor.author | 莊馥 | zh_TW |
| dc.date.accessioned | 2022-11-25T06:33:01Z | - |
| dc.date.copyright | 2021-11-09 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-08-19 | |
| dc.identifier.citation | 中文文獻： 張博毓.（2014）. 大型晶圓廠自動物料搬運系統高效率運輸之研究. 逢甲大學資訊電機工程碩士在職專班學位論文, 1-64. 黃益三, 藍武王, 許鉅秉.（2007）. 高速公路動態交通時間狀態特性之分析, 預測與應用. 國立交通大學運輸與物流管理學系碩士學位論文 黃嘉斌.（2015）. AMHS 物料搬運系統效能改善-以 TFT-LCD FAB 為例. 逢甲大學資訊電機工程碩士在職專班學位論文, 1-55. 榮芊菡, 彭文志.（2011）. 用於交通預測之二層資料分群法. 交通大學資訊科學與工程研究所學位論文 英文文獻： Abbasi, R. A., Javaid, N., Ghuman, M. N. J., Khan, Z. A., Rehman, S. U. (2019, March). Short term load forecasting using XGBoost. In Workshops of the International Conference on Advanced Information Networking and Applications (pp. 1120-1131). Springer, Cham.Breiman, L.（1996）. Bagging predictors. Machine learning, 24（2）, 123-140. Chen, T., Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794). Friedman, J., Hastie, T., Tibshirani, R.（2001）. The elements of statistical learning（Vol. 1）: Springer series in statistics New York. Friedman, J. H.（2001）. Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232. Gal, A., Mandelbaum, A., Schnitzler, F., Senderovich, A., Weidlich, M.（2017）. Traveling time prediction in scheduled transportation with journey segments. Information Systems, 64, 266-280. Haifley, T.（2011）. Guidelines for part average testing. Automotive Electronics Council, 1-9. Hu, J., Yang, Z., Shu, Y., Cheng, P., Chen, J. (2017, November). Data-driven utilization-aware trip advisor for bike-sharing systems. In 2017 IEEE International Conference on Data Mining (ICDM) (pp. 167-176). IEEE. Innamaa, S.（2005）. Short-term prediction of travel time using neural networks on an interurban highway. Transportation, 32（6）, 649-669. Kankanamge, K. D., Witharanage, Y. R., Withanage, C. S., Hansini, M., Lakmal, D., Thayasivam, U. (2019). Taxi trip travel time prediction with isolated XGBoost regression. In 2019 Moratuwa Engineering Research Conference (MERCon) (pp. 54-59). IEEE. Kwon, J., Coifman, B., Bickel, P.（2000）. Day-to-day travel-time trends and travel-time prediction from loop-detector data. Transportation research record, 1717（1）, 120-129. Lee, R., Kochenderfer, M. J., Mengshoel, O. J., Silbermann, J. (2018, May). Interpretable categorization of heterogeneous time series data. In Proceedings of the 2018 SIAM International Conference on Data Mining (pp. 216-224). Society for Industrial and Applied Mathematics. Lin, Y., Yang, X., Zou, N., Jia, L.（2013）. Real-time bus arrival time prediction: case study for Jinan, China. Journal of Transportation Engineering, 139（11）, 1133-1140. Pan, B., Demiryurek, U., Shahabi, C. (2012, December). Utilizing real-world transportation data for accurate traffic prediction. In 2012 IEEE 12th International Conference on Data Mining (pp. 595-604). IEEE. Shi, R., Xu, X., Li, J., Li, Y.（2021）. Prediction and analysis of train arrival delay based on XGBoost and Bayesian optimization. Applied Soft Computing, 107538. Treethidtaphat, W., Pattara-Atikom, W., Khaimook, S. (2017, October). Bus arrival time prediction at any distance of bus route using deep neural network model. In 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC) (pp. 988-992). IEEE. Vlahogianni, E. I., Karlaftis, M. G.（2013）. Testing and comparing neural network and statistical approaches for predicting transportation time series. Transportation research record, 2399（1）, 9-22. Wu, C.-H., Ho, J.-M., Lee, D.-T.（2004）. Travel-time prediction with support vector regression. IEEE transactions on intelligent transportation systems, 5（4）, 276-281. Yang, M., Chen, C., Wang, L., Yan, X., Zhou, L.（2016）. Bus arrival time prediction using support vector machine with genetic algorithm. Neural Network World, 26（3）, 205. Yu, B., Lam, W. H., Tam, M. L.（2011）. Bus arrival time prediction at bus stop with multiple routes. Transportation Research Part C: Emerging Technologies, 19（6）, 1157-1170. Zhang, Y., Haghani, A.（2015）. A gradient boosting method to improve travel time prediction. Transportation Research Part C: Emerging Technologies, 58, 308-324. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82162 | - |
| dc.description.abstract | 疫情的肆虐侷限了現今人們的社交行為，因而帶動了遠距教學和居家辦公，加上宅經濟的興起，人們對3C產品需求的劇增使面板和半導體產業的生產業務急遽成長。雖然面板廠和半導體廠之生產設備皆已具備高度自動化以及電腦整合，但物料搬運設備於典型的生產流程中卻僅屬於支援系統，仍採用當需求發生才派遣的策略，一旦工廠的生產作業爆增，便會使得搬運系統的搬運工作有大量囤積、塞車、延誤等情形產生，導致自動物料搬運系統之搬運效率下降。 本研究將著重於給定生產排程下的自動搬運系統之運輸時間預測，研究案例為TFT-LCD面板之cell廠區，研究對象則為自動倉儲設備與軌道式搬運車兩種搬運設備，本研究分別會進行單台搬運設備個別預測及合併兩台搬運設備之預測，藉由機器學習方法預測當派貨系統發出指令到指令完成之時間，即為面板裝載匣由起點機台傳送至終點機台所需花費之運輸時間，其中，也會詳細解說本研究如何透過對現有欄位資料的觀察及分析，創造出帶有更多資訊之欄位以貼近工廠內真實運作情形，例如指令之等候個數、搬運路徑、設備間暫存區的狀態、歷史資料、設備與各站點間的距離等等。從研究結果發現，以上提及的變數皆能對模型的預測能力有所提升，其中路徑相關欄位的特徵重要程度在合併兩台搬運設備後之資料明顯增加，證明當搬運設備合併的數量增加則會使移動的路徑以及經過的站點變得重要，且透過搬運設備的結合能使模型學到更多的資訊，因而得到更好的預測結果。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T06:33:01Z (GMT). No. of bitstreams: 1 U0001-1808202122550600.pdf: 3440116 bytes, checksum: 9aec02afd3ed430b62eea59323ee51b5 (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | "誌謝 i 摘要 iii Abstract iv Chapter 1 緒論 1 1.1 研究背景與動機 1 1.2 研究目的與架構 4 Chapter 2 文獻探討 6 2.1 自動化物料搬運系統（AMHS） 6 2.2 旅行時間問題（Travel-time Prediction） 7 2.2.1資料層級面 8 2.2.2演算法層級面 9 2.3 集成式學習（Ensemble learning） 11 2.3.1梯度提升樹（Gradient boosting decision Tree, GBDT） 13 2.3.2極限梯度提升（eXtreme Gradient Boosting, XGBoost） 14 Chapter 3 問題描述與研究方法 17 3.1 問題描述 17 3.1.1預測目標 17 3.1.2研究範圍 18 3.1.3運輸設備之搬運規則 19 3.2 研究方法 20 3.2.1回歸模型 20 3.2.2評估方式 25 Chapter 4 案例分析與結果 27 4.1 案例資料描述及前處理 27 4.1.1 Stocker介紹 27 4.1.2 RGV介紹 28 4.1.3資料前處理 29 4.2 欄位生成 34 4.2.1 指令之等候線個數 35 4.2.2搬運路徑 38 4.2.3設備間之暫存區狀態 40 4.2.4歷史資料 41 4.2.5距離 42 4.2.6插隊問題 42 4.3 單台搬運設備之預測 45 4.3.1 Stocker之預測結果 45 4.3.2 RGV1之預測結果 47 4.3.3單台搬運設備預測總結 48 Chapter 5 Stocker及RGV1之合併預測 56 5.1 Stocker及RGV1之資料合併 56 5.2 合併後之預測結果 58 5.3 兩台搬運設備合併之預測總結 60 Chapter 6 結論與建議 63 6.1 結論與討論 63 6.2 未來方向與建議 64 參考文獻 65" | |
| dc.language.iso | zh-TW | |
| dc.subject | 時間預測 | zh_TW |
| dc.subject | 機器學習 | zh_TW |
| dc.subject | 軌道式搬運車 | zh_TW |
| dc.subject | 自動倉儲設備 | zh_TW |
| dc.subject | RGV | en |
| dc.subject | Stocker | en |
| dc.subject | time prediction | en |
| dc.subject | machine learning | en |
| dc.title | 以機器學習方法預測軌道式搬運車與自動倉儲間之總運輸時間 – 以 TFT-LCD Cell 廠為例 | zh_TW |
| dc.title | Using machine learning methods to predict the total transit time between RGV and stocker - Take the TFT-LCD Cell factory as an example | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 博士 | |
| dc.contributor.oralexamcommittee | 丁慶榮(Hsin-Tsai Liu),楊烽正(Chih-Yang Tseng) | |
| dc.subject.keyword | 機器學習,時間預測,軌道式搬運車,自動倉儲設備, | zh_TW |
| dc.subject.keyword | machine learning,time prediction,RGV,Stocker, | en |
| dc.relation.page | 67 | |
| dc.identifier.doi | 10.6342/NTU202102496 | |
| dc.rights.note | 未授權 | |
| dc.date.accepted | 2021-08-19 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 工業工程學研究所 | zh_TW |
| dc.date.embargo-lift | 2026-08-19 | - |
| 顯示於系所單位： | 工業工程學研究所 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-1808202122550600.pdf 未授權公開取用 | 3.36 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。