混合資料集之階層式展開集成學習預測方法

Abstract

在工業與商業應用領域的混合資料集中，經常會面臨類別屬性和數值屬性之間具有複雜交互作用的問題，在商業領域方面，價格預測是重要的商業問題，而產品與服務價格同時受到各種類別與數值屬性影響，例如電力需求和價格會受到不同季節、商務活動與化石燃料價格等因素影響；而製造系統中，不同機器類和產品屬性組合，對生產率有不同程度的影響，過往在面對混合資料集的預測問題，對於複雜的產品組合模式普遍針對單一資料集建構預測模型，其預測模型無法因應生產現場的產品組合變化而動態調整，導致後續安排加工時間不易並難以精準規劃產品交期。 本研究將針對混合資料集，以類別屬性將資料集進行階層式的切分，藉由階層式展開方法，可以改善過去傳統機器學習方法的缺點，在減少運算的複雜度的同時建立準確度更高的預測模型，當系統中的特徵或屬性增加時，所需要訓練的模型不會隨之大幅度增加，仍然能夠維持有效率的運算效能，另外透過階層式展開與模型選擇，追溯機器學習的推論結果以提升模型的解釋力，並且以階層式展開模型應用至非等效機台的排程問題。數值分析結果顯示，在半導體混合資料集中，與XGBoost模型相比，運用階層式展開方法可以降低17.7%的均方根誤差值，且與張鈺欣(2020)提出的分層組合模型更具運算效能與預測效能；由於階層式展開預測模型的準確度與精確度，以其預測非等效機台的排程問題的最佳化模型參數，能夠有效提升排程的效果，且掌握生產系統中的不確定因子。