本研究整合小波轉換(wavelet transform, WT)和倒傳遞類神經網路(back-propagation neural network, BPN)，建立一個鋁原料現金價格的時間序列預測模型以進行預測。由於小波轉換具有處理混沌訊號的能力，可用以突顯時間序列資料中隱含的特徵，因此本研究將小波轉換作為資料前處理之工具，利用小波轉換中的多尺度解析(Multi-Resolution analysis, MRA)來分析將每一個預測變數之時間序列資料，解構成不同尺度的多個子序列，然後將解構出來的子序列當成倒傳遞類神經網路的輸入變數，以建構預測模型。本研究使用2001~2010年的倫敦鋁價之月平均價格進行方法驗證，同時以灰預測之GM(1,1)模式進行效果比較。研究結果顯示，雖然神經網路本身就有容錯能力，但是經由小波所檢選的特徵值，當作類神經網路的輸入變數構成的小波神經網路，擁有比倒傳遞類神經網路以及灰預測有更佳的預測能力。

This research aims to integrate the WT (wave transform) and BPN (back-propagation neutral network) to establish a short-term forecasting model for the time series data of aluminum price. Having the ability to handle the complex signal, which can represent the wear character of time series data, the WT is employed in this research as the leaning tool for information preprocessing. The MRA (multi-resolution analysis), a useful tool of the WT, is taken to break down the time series data into several sub-sequences (i.e. scales), and then those several sub-sequences are regarded as the input factors to build a BPN. In the experiment, the LME price in the London Metal Exchangea collected from 2001 to 2010 is taken as the example for evaluation. In addition, the grey forecasting model, GM(1,1), is also used for benchmarking. The result shows that the proposed model outperforms GM(1,1) and traditional BPN significantly in the proposed case.

中文文獻
1.王信淇(1988)， 「我國總體經濟預測時間數列模型之研究」， 國立中央大學統計研究所碩士論文。
2.王翰德(2002)， 「小波理論與類神經網路應用於潮汐之預測與補遺」，國立中山大學海洋環境及工程學系碩士班碩士論文。
3.呂奇傑、李天行、劉柏君(2006)，「應用小波轉換與倒傳遞類神經網路於股價指數之預測」，東海大學第四屆跨領域管理學術與實務研討會。
4.李玉芬(2006)， 「台灣區國民生產毛額灰預測模型之研究」， 義守大學資訊管理研究所碩士論文。
5.李隆振(2002)， 「臺灣近期股價預測之研究」， 國立中正大學數學研究所碩士論文。
6.林穎駿(2003)，「應用小波轉換與類神經網路於電力品質事故之監測與辨識」，私立中原大學電機工程學系碩士學位論文。
7.徐慶兆(2003)， 「不同經濟基礎下總體經濟變數與股市之關聯性研究」， 淡江大學財務金融學系碩士在職專班碩士論文。
8.吳行正(2007)， 「台股加權指數於時間序列模型最適解之探討」， 南華大學企業管理系管理科學碩博士論文。
9.吳於楊(1983)， 「ARIMA 模型在領先指標上作短期經濟預測之研究」， 文化大學經濟研究所碩士論文。
10.春日井博著(1988)， 需求預測入門， 書泉出版社。
11.胡哲嘉(2006)， 「時間序列分析對財務營收模型的建構與預測---以A公司為例」,國立清華大學統計學研究所碩士論文。
12.陳安斌、許育嘉(2004)， 「整合小波轉換與神經網路於金融投資決策時間序列預測之研究」， 資訊管理學報,11：1,139-165。
13.陳捷人(2002)， 「總體經濟指標之綜合預測」, 東吳大學國際貿易學系碩士論文。
14.陳煒朋(1999)， 「GARCH 模型與隱含波動性模型預測能力之比較」， 私立淡江大學財務金融研究所碩士論文。
15.黃冠穎(2005)， 「台灣地區降雨時序資料之小波分析」， 國立成功大學資源工程學系碩博士班碩士論文。
16.黃泰郎(2006)，「台灣鋁擠型市場需求影響因素及趨勢預測」，國立成功大學高階管理碩士在職專班碩士學位論文。
17.劉文海(2009)， 2009年非鐵金屬年鑑-鋁金屬篇， 金屬中心ITIS計畫 2009年。
18.劉文海(2010)， 2010年台灣鋁產業回顧與展望， 金屬中心ITIS計畫 2010年。
19.蔡志宏(2004)， 「匯率預測模型之檢測-結合時間序列與總體經濟模型」， 暨南國際大學經濟學系碩士論文。
20.蔡茹鈴(2008)， 「小波轉換與HHT轉換法在金融股價預測之應用」， 逢甲大學應用數學所碩士論文。
21.郭怡瑢(2006)，「台灣金控公司合併對證券價格影響之研究－小波神經網路之應用」，國立中山大學經濟學研究所碩士論文。
2.郭瑋明、莊士賢、高家俊(1997)，「應用小波理論分析短時波速與波向之研究」，第十九屆海洋工程研討會論文集，第1-8頁。
23.曹銘介(2004)，「應用小波-機率神經網路於電力品質及特定諧波偵測之研究」，國立中山大學 電機工程學系碩士論文。
24.曹鑑滎 (2000)，「小波收縮應用於非安定訊號雜訊濾除之改進」，國立台灣海洋大學電機工程學系碩士論文。
25.盛嘉宏(2005)，「類神經網路與統計迴歸模式在暴潮之研究」，國立台灣海洋大學海洋科學系碩士學位論文。
26.賴伯倫 (1999)，「小波理論於數值地形模型之多重解析度分析」，國立台灣大學土木工程學系碩士論文。
27.溫坤禮、張簡士琨、葉鎮愷、王建文、林慧珊(2007)，「MATLAB在灰色理論的應用」，全華圖書股份有限公司，ISBN:978-957-21-5966-8，第4.14-4.18頁。

英文文獻
1.Box, G. E., and Jenkins, G. W. (1970), “Time Series Analysis: Forecasting and Control” , San Francisco: Holden Day.
2.Box, G. E. P., and Pierce, D. A. (1970), “Distribution of Residual Autocorrelations in ARIMA Time-Series Models,” Journal of the American Statistical Association, vol.65, pp. 1509-1526.
3.Daubechies, I (1992), “Ten lectures on Wavelets”, SIAM, Philadelphia, PA..
4.Gabor, D.(1946), “Theory of communication”, Journal IEEE, Vol. 93, pp.429-457.
5.Goupillaud, P., Grossmann, A. and Morlet, J. (1984), “Cycle-octave and related transforms in seismic signal analysis “, Geoexploration, vol.23, pp.85-102.
6.Graps A.(1995), “An introduction to wavelets”, IEEE Computational Science & Engineering, Vol.2, No.2, pp.50-61.
7.Grossmann, A. and J. Morlet (1984), “Decomposition of hardy function into square integrable wavelets of constant shape”, SIAM J. Math. Phys., Vol. 15, pp.723-736.
8.Grossmann, A. R. Kronl and-Martinet and J. Morlet (1987), “Reading and understanding continus Wavelet Transforms“, Proc.Int.Conf. Wavelets, Time-Frequency Methods Phase Space, Dec.14~18, pp.2~20.
9.Kleinbaum David G., Kupper Lawrence L., and Muller Keith E. (1988), “Applied Regression Analysis and Other Multivariable Methods”, PWS-Kent, Boston, Mass., 2nd edition.
10.Li, Ding, (2003), “Empirical study of investment behavior in equity markets using wavelet methods,” Doctor thesis, Rensselaer Polytechnic Institute, Troy, New York, U.S.A.
11.Ljung, G. M., and Box, G. E. P. (1978), “On a Measure of Lack of Fit in Time-Series Models,” Biometrika, vol. 65, pp.297-303.
12.Makridakis, S.(1993), “Accurancy Measures: Theoretical and Practical Concerns”, International Journal of Forecast, Vol. 9, No.4, pp.527-529.
13.Meyer, Yves (1993), “Wavelets - Algorithms and applications”, Wavelets - Algorithms and applications Society for Industrial and Applied Mathematics Translation., pp.142.
14.Misiti, M., Y. Misiti, , G. Oppenheim, , and J. M. Poggi(1996), “Wavelet toolbox user’s guide”, The Mathworks, Inc.
15.Pan, Zuohong and Wang, Xiaodi, (1996), “Wavelets and dynamic pattern recognition,” Signal Processing, 1996., 3rd International Conference, 2, 1304-1307.
16.Rao, R. M., A. S. Bopardikar (1998), “Introduction to theory and application” , Addison Wesley Longman, Inc.
17.Rumelhart E., G. E. Hinton and R. J. Williams (1986), “Learning Internal Representations by Error Propagation in Parallel Distributed Processing,” MIT Press, Cambridge, MA, 1, pp.318-362.
18.S. Mallat (1989), “A Theory of Multiresolution Signal Decomposition: the Wavelet Representation,” IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 11, No. 7, pp. 674-693.
19.S. Mallat (1988), Multiresolution Representation and Wavelets, Ph.D. Dissertation, University of Philadelphia, Philadelphia.
20.Strang, G. and T. Nguyen (1996), “Wavelets and Filter Banks”, Wellseley-Cambridge Press, 1996.
21.Wang, Changzhou and Wang, Sean X. (2000), “Supporting content-based searches on time series via approximation,” Scientific and Statistical Database Management, Proceedings 12 th International Conference, 69-81.