餐飲與客房收入這兩部分是飯店主要收入的來源，以往的研究大多使用問卷或是詢問業界專業經理人依據過往經驗統計出訂價讓飯店能得到最佳的收益。因此，本研究期望利用與以往不同的方法以氣象資料和消費者物價指數做為資料來源。結合飯店過往十年間的餐飲折扣使用數量和每日餐飲營收資料並使用機器學習和深度學習期望能得到不同於以往的研究結果。

本研究提出的實驗以機器學習線性回歸方式及深度學習方式建立訓練模型，機器學習使用的方法為多元線性回歸、決策樹回歸。以不同的模型測試對於本研究的適合度，並再以RNN深度神經網路訓練，以不同的參數測試進行訓練並分析結果。實驗結果顯示機器學習的決策樹回歸的預測結果較線性回歸為佳，而在深度學習方面因為本研究屬於小量樣本數，故使用單層深度的RNN就可得到良好的擬合度。

Catering and room are two major incomes in hotel restaurants. Most of the previous studies use questionnaires or independent study on professional managers to set price for acquiring totally best income. Therefore, this study finds the best weather and consumer price combination to estimate hotel restaurant income from machine learning techniques.

In this study, linear regression, decision tree regression and RNN deep learning techniques are adopted for constructing our training models. Models with various parameters are experimented to find the best model for best estimation from 2010 to 2019 restaurant income data. From our limited data, a single-layer RNN acquires good fit. Experimental results show that the decision tree regression performs better than linear regression or RNN. More data is required for obtaining better estimation.

目錄
第一章、	緒論	1
1.1	研究背景	1
1.2	研究動機	2
1.3	研究問題	2
1.4	研究目的	3
1.5	研究架構	4
第二章、	文獻探討	5
2.1	促銷定義	5
2.2	折扣類別	5
2.3	數量折扣	6
2.4	氣象觀測資料	7
2.5	機器學習	8
2.6	深度學習	10
第三章、	研究方法與實驗架構	12
3.1	資料收集	12
3.2	資料預處理	16
3.2.1	飯店折扣使用人數資料預處理	17
3.2.2	處理遺漏數據	17
3.2.3	填補遺漏值	18
3.2.4	去除極端值	20
3.2.5	特徵正規化	20
3.2.6	氣象與使用折扣數關係	20
3.2.7	特徵相關性分析	23
3.2.8	機器學習	25
3.2.9	深度學習	26
3.3	建立訓練模型	28
3.3.1	資料切分	28
3.3.2	深度學習超參數設定	29
3.4	研究架構及流程	30
第四章、	實驗結果與探討	32
4.1	機器學習實驗結果	34
4.1.1	以氣象為特徵的多元線性回歸	34
4.1.2	以氣象為特徵的決策樹回歸	35
4.1.3	以氣象為特徵加入CPI的多元線性回歸	36
4.1.4	以氣象為特徵加入CPI的決策樹回歸	38
4.2	深度學習實驗結果	42
4.2.1	以優化函數為比較基準	42
第五章、	討論與建議	54
5.1	結論	54
1.	中文文獻	58
2.	英文文獻	58
3.	網站	59
附錄 英文論文	60
 
圖目錄
圖 1 機器學習分類 [1]	9
圖 2 人工智慧、機器學習、深度學習關係圖	11
圖 3 觀測資料查詢網站	13
圖 4 勞動部消費者物價指數查詢網站	15
圖 5 從POS系統產生折扣報表	15
圖 6 資料產生後為.TXT文字檔	16
圖 7 折扣人數遺漏值數量	18
圖 8 確認所有欄位均無遺漏值	19
圖 9 氣溫與使用折扣數散點圖	21
圖 10 日照時數圖與使用折扣數散點圖	21
圖 11 降水時數與使用折扣數散點圖	22
圖 12 總雲量與使用折扣數散點圖	22
圖 13相關係數熱力圖	24
圖 14 RNN架構圖[14]	27
圖 15資料切分示意圖	29
圖 16 RNN神經網路建構圖	30
圖 17 研究架構圖	31
圖 18 以氣象對使用折扣數多元線性回歸圖	34
圖 19 以氣象對每日營收多元線性回歸圖	35
圖 20 以氣象對使用折扣數決策樹回歸圖	35
圖 21 以氣象對每日營收決策樹回歸圖	36
圖 22 氣象加入CPI對使用折扣數多元線性回歸圖	37
圖 23 氣象加入CPI對每日營收多元線性回歸圖	37
圖 24 以氣象加入CPI對使用折扣數決策樹回歸圖	38
圖 25 以氣象加入CPI對每日營收決策樹回歸圖	39
圖 26 MSE比較圖	41
圖 27 Score比較圖	41
圖 28 單層RNN建構模型圖	43
圖 29 Adadelta氣象對使用折扣數周期200次的Loss Function	44
圖 30 Adadelta氣象對使用折扣數周期200次的擬合度	44
圖 31 RMSProp氣象對使用折扣數周期200次的Loss Function	45
圖 32 RMSProp氣象對使用折扣數周期200次的擬合度	45
圖 33 Adadelta氣象對每日營收周期200次的Loss Function	46
圖 34 Adadelta氣象對每日營收周期200次的擬合度	46
圖 35 RMSProp氣象對每日營收周期200次的Loss Function	47
圖 36 RMSProp氣象對每日營收周期200次的擬合度	47
圖 37 Adadelta氣象加CPI對使用折扣數周期200次的Loss Function	48
圖 38 Adadelta氣象加CPI對使用折扣數周期200次的擬合度	48
圖 39 RMSProp氣象加CPI對使用折扣數周期200次的Loss Function	49
圖 40 RMSProp氣象加CPI對使用折扣數周期200次的擬合度	49
圖 41 Adadelta氣象加CPI對每日營收周期200次的Loss Function	50
圖 42 Adadelta氣象加CPI對每日營收周期200次的擬合度	50
圖 43 RMSProp氣象加CPI對每日營收周期200次的Loss Function	51
圖 44 RMSProp氣象加CPI對每日營收周期200次的擬合度	51
圖 45 MAE比較圖	53

表目錄
表 1 本研究所利用到的監督式學習分類 [1]	9
表 2 觀測資料檔案內容	14
表 3 折扣人數為NaN的欄位	17
表 4 已填補遺漏值的欄位	19
表 5 相關係數表	23
表 6 優化函數訓練組合	30
表 7 機器學習實驗結果表	40
表 8 實驗用硬體配備	42
表 9 深度學習實驗結果表	52

中文文獻

[1]林大貴 (2017)，TensorFlow+Keras 深度學習人工智慧實務應用，博碩出版。

[2]劉立民、吳建華譯(2018)，Python 機器學習第二版，Sebastian Raschka、Vahid Mirjalili著，博碩出版。

[3]吳嘉芳譯(2017)，Deep Learning用Python進行深度學習的基礎理論實作，斎藤康毅著，碁峰出版。

[4]张玉宏(2018)，《深度学习之美：AI时代的数据处理与最佳实践》，电子工业出版社出版社。

[5]莊勝雄、施坤壽、黃文宏、宋珍誼(2017)，數量折扣與促銷框架對衝動性購買影響之差異研究，管理資訊計算6(S2)。

英文文獻

[6]Kotler, P., Marketing management, Upper Saddle River: Prentice Hall International. (2010)

[7]Hartley,Steven W. and James Cross, "How Sales Promotion Can Work For and Agai-nst You ", Journal of Consumer Marketing, Vol. 5,No. 3, pp.35-42,1988.

[8]Kotler, P., & Keller, K. L. Marketing Management Global Edition, 15e,Pearson Education Limited. (2016)

[9]Dolan, R. J., Quantity discounts: Managerial issues and research opportunities. Marketing Science, 6(1), 1-22. (1987)

[10]Benton, W. C., & Park, S., A classification of literature on determining the lot size under quantity discounts. European Journal of Operational Research, 92(2),219-238. (1996)

網站
[11]行政院環境保護署，環境資源資料庫網址：https://erdb.epa.gov.tw/AboutUs.aspx

[12]中央氣象局觀測資料查詢網址：
https://e-service.cwb.gov.tw/HistoryDataQuery/index.jsp

[13]勞動部勞動查詢網網址：
https://statdb.mol.gov.tw/statis/jspProxy.aspx?sys=210&kind=21&type=1&funid=q01014&rdm=LmipWieh

[14]Ashing's Blog機器學習及深度學習心得筆記：http://arbu00.blogspot.com/2017/05/3-rnn-recurrent-neural-networks.html

[15]機器學習馬拉松 076 優化器 Optimizers
https://medium.com/uxai/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E9%A6%AC%E6%8B%89%E6%9D%BE-076-%E5%84%AA%E5%8C%96%E5%99%A8-optimizers-19b8d40e24c5