桃園機場貨運量的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

日本旅遊需求預測之分析

為了解決桃園機場貨運量的問題，作者樋口隆行 這樣論述：

本文採用日本觀光旅遊局所公布之1975年至2015年入境日本人次之逐月數據，利用灰色理論GM(l,l）模型及季節性自動回歸移動平均（SARIMA）模型針對最近兩年（2016年、2017年）之日本旅游需求進行預測。在SARIMA預測模型部分，則以1975年1月至2015年12月前492筆資料建構預測模型，待模型建立完成後，再進行樣本外（2016年1月至2017年12月）之預測。灰色理論GM(l,l）部分，則使用2015年l月至12月共12筆數據資料進行預測。研究成果發現，從預測評估指標來進行模式預測效果的比較，不論是均方根百分比誤差（RMSPE）或是平均絕對百分比誤差（MAPE），SARIMA

模型的預測效果較GM(l,l）模型的預測來得更好。

應用時間數列結合神經網路預測土耳其對台灣工具機之需求

為了解決桃園機場貨運量的問題，作者李怡慧 這樣論述：

本論文之目的為在於針對1998年1月至2017年12月共240筆之土耳其對台灣工具機需求的時間序列發展出一套不過於複雜、精準度高之預測模型。本文所使用之預測方法包含時間序列、類神經網絡(artificial neural network)中之倒傳遞網絡 (back propagation network)以及混合前述兩種方法的SARIMABPN混合模型。另外再透過以增加變數工業生產指數、實質有效匯率指數、股票指數的方式檢測是否能使整個模型預測之精準度更高。本研究使用R語言軟體對於資料做分析及預測，將資料分為訓練集與測試集，透過調整最適合各個模型之參數如學習率(learning rate)、閥

值(threshold)、stepmax，使用訓練集挑選出於各個模型中最適合此時間序列數據之組合，並以測試集檢測於訓練集所挑選出之模型組合是否於訓練值之數據也有一定程度上的精準度，並透過平均絕對百分誤差(Mean Absolute Error; MAE)、平均誤差平方(Mean Square Error; MSE)、平均絕對誤差(Mape Absolute Error; MAE)三項檢驗預測準確度的標準作為比較各種模型之精準度之依據。比較過後發現SARIMABPN混合模型另外考量工業生產指數、實質有效匯率指數、股票指數變數於MAPE、MSE、MAE上都得到於此篇論文內所建之八個模型當中最好的結

果。