EIQ_AI 模型建立

基於 EIQ 分析之 AI 預測模型建立、訓練與預測系統

VB.NET .NET Framework 4.8 Microsoft.ML Access (.accdb)

1. 系統概要

本系統為 Windows Forms 應用程式，採用 EIQ 分析（Entry-Item-Quantity分析）手法，從出貨數據中建構 AI 預測模型。

透過輸入出貨對象數 (E) 與品項數 (I)，預測包括拆零數量、行數、EIQ 指標、整箱數、棧板數、容積與重量等 約 160 個項目，並採用 SDCA 回歸（Microsoft.ML） 進行運算。

主要功能

出貨數據前處理 — Excel 數據匯入、單位換算與 ABC 分級。
模型數據設定 — 設定 E/I 比率範圍、產生間距以及進度管理。
模型數據建立 — 根據設定生成 T600 數據模型資料表。
機器學習 — CSV 匯出、訓練、預測與結果 CSV 輸出。

【技術解說：從靜態分析進化為動態預測】
傳統的 EIQ 分析僅止於「過去實績的統計（靜態點）」。本系統透過 AI 學習出貨對象數 (E) 與品項數 (I) 的變動，將 EIQ 分析進化為能動態模擬據點產能與負荷的「預測模型」。本系統是將 30 年物流諮詢經驗算法化的 次世代模擬基盤。相對於傳統僅聚合過去結果的做法，本系統能動態預測新設或整合據點後的產能，扮演 「物流數位孿生」 的角色。

2. 檔案構成

檔案	類別 / 模組	角色
`E0_Menu.vb`	E0_主選單F	主選單。負責切換處理程序與檢查資料庫狀態。
`E1_PreProcessing.vb`	EIQ_AI模型前處理F	出貨數據匯入、單位換算、EIQ 分級與 T200 資料表建立。
`E2_ModelConfig.vb`	模型數據設定F	E/I 比率與間距設定，管理 T300 進度資料表。
`E3_ModelCreation.vb`	E3_模型數據建立F	根據 T300 進度建立 T600 數據模型（批次處理）。
`E4_MachineLearning.vb`	E4_機器學習F	利用 Microsoft.ML 進行訓練、預測執行與結果匯出。
`EIQ_AI_ProValidation.vb`	EIQ_AI 實證驗證 Pro	AI 實證與驗證（供未來擴充）。
`K1.vb`	Module K1	全域變數、常數與檔案路徑管理。
`AccessDbManager.vb`	AccessDbManager	Access 資料庫建立與 Excel 匯入。
`AccessOps.vb`	—	SQL 執行輔助與資料表操作共通處理。
`TableStructureCheck.vb`	—	資料表結構檢查與診斷工具。

【實務意義：數據清洗與特徵化】
物流現場原始數據常有單位混雜，透過 「單位換算自動化」 統一拆零、整箱等單位，確保精度。此外，自動執行 「5 階段柏拉圖分析（EIQ 分級）」，讓 AI 識別中心負荷的主要商品特徵。系統基於 VB.NET/Access，確保機密數據在地端處理，具備高度隱密性。

3. 全體處理流程

▼

路線 A
從原始數據建立
匯入 Excel 檔案

路線 B
掛載至 Tera-Calc
連結現有的 T200 數據庫

▼

E1 數據前處理建立 Access → 匯入 Excel → T110 單位換算 → T200 建立 → GPL 分級

▼

E2 模型數據設定設定 E/I 比率 (50-150%) 與間距 → 生成 T300 進度資料表

▼

E3 模型數據建立針對 T300 每筆紀錄生成 T600 數據模型 (支援中斷與續傳)

▼

E4 機器學習讀取 CSV → 訓練 SDCA 回歸模型 (約 160 個模型) → 執行預測 → CSV 匯出

▼

EIQ_AI 實證與驗證訓練模型精度驗證與實績數據對照 (未來擴充)

不只是單一模式的學習，系統會生成數千種 E/I 比率介於 50% 至 150% 的「虛擬出貨情境」來訓練 AI。

【軟體重點：學習極限值】
透過模擬「出貨對象增加 1.5 倍」或「品項減半」等極端條件下的數值，讓 AI 準確掌握據點的 成長空間 與 處理極限點。

4. 各步驟詳細解說

E0 主選單 `E0_主選單F`

應用程式啟動時的進入點。

資料庫狀態檢查 — 確認 EIQ_AI模型.accdb 是否存在，並顯示 T200 資料表的狀態（連結或在地端）與紀錄數。
「從出貨數據建立」按鈕 → 開啟 E1 數據前處理畫面（從出貨數據建立分頁）。
「掛載至 Tera計算.accdb」按鈕 → 開啟 E1 數據前處理畫面（從 T200 建立分頁）。
「AI模型數據設定」按鈕 → 開啟 E2 模型數據設定畫面。

E1 數據前處理 `EIQ_AI模型前處理F`

處理從數據匯入到完成 EIQ 分析用 T200 資料表的完整流程。

處理子流程（從出貨數據建立）

出貨數據.xlsx → Access 新建立 → T000_出貨數據 → T100_Data

T100_Data → T110_單位換算 → T150_分級統計 → T180_EIQ分級

T180_EIQ分級 → T200 (EIQ加工數據) → T160_GPL分級 → T200 (資料行追加)

處理項目	內容	生成資料表
Access 新建立	新建立 EIQ_AI模型.accdb	—
Access 匯入	將出貨數據.xlsx 匯入 Access	T000_出貨數據
T110 單位換算	建立 T100_Data、單位換算表、各項換算計算及出貨單位區分。	T100_Data, T110_單位換算
T200 EIQ加工	箱裝/拆零出貨的 EI 分級統計、T180_EIQ分級與 T200 資料表整合。	T150_*, T180_EIQ分級, T200
全出貨 GPL 分級	建立全出貨 GPL 的 E/I 分級，並追加至 T200 資料行。	T160_E統計, T160_I統計

📌 ABC 分級標準： 根據累計比率進行 A1 / A2 / B / C / D 的 5 階段柏拉圖分析。分級設定可在計算規則標籤頁中自訂。

E2 模型數據設定 `模型數據設定F`

設定生成 AI 模型訓練數據的參數。

參數	範圍	說明
E 最小/最大比率	50% 〜 150%	出貨對象數的變動範圍（相對於正常值的比率）。
I 最小/最大比率	50% 〜 150%	品項數的變動範圍（相對於正常值的比率）。
紀錄間距 (Pitch)	1 〜 20（預設 5.9）	生成紀錄的間距（越細則數據密度越高）。

T300 進度資料表

根據設定的 E/I 範圍與間距，生成所有組合的連續流水號。
每筆紀錄皆持有 CreationChk 旗標，用於 E3 處理狀態管理。
具備還原前次設定值的安全機制，若變更設定則無法繼續前次計算。

E3 模型數據建立 `E3_模型數據建立F`

依序處理 T300 進度表中的未處理紀錄，並將數據存入 T600 數據模型表。

T600 數據模型結構 (165 個欄位)

類別	欄位	數量
基本資訊	模型序號, 對象數, 品項數, 拆零數量, 行數	5
E 指標	E1 〜 E5	5
I 指標	I1 〜 I5	5
行數 (分級別)	行數01 〜行数25	25
拆零數 (分級別)	拆零01 〜拆零25	25
箱數 (分級別)	箱數01 〜箱數25	25
棧板數 (分級別)	棧板01 〜棧板25	25
容積 (分級別)	容積01 〜容積25	25
重量 (分級別)	重量01 〜重量25	25

📌 中斷與續傳： 透過 T300 資料表的 CreationChk 旗標管理，中斷後下次可從未處理紀錄繼續。亦支援鍵盤中斷功能 (GetAsyncKeyState API)。

E4 機器學習 `E4_機器學習F`

利用 Microsoft.ML 函式庫執行回歸模型訓練與預測。

機器學習管線

DataModel.csv → 特徵結合
(對象數, 品項數) → MinMax 正規化 → SDCA 回歸 → .zip 模型儲存

功能	說明
數據讀取	經由 LoadFromTextFile 讀取 `數據模型.csv` 並顯示件數。
機器學習執行	針對各輸出欄位訓練 SDCA 回歸模型，並以 `.zip` 格式存於 `Models/`。
載入已訓練模型	整批載入已儲存的 `.zip` 模型（無需重新訓練即可預測）。
執行預測	輸入 E/I → 全模型預測 → DataGridView 結果顯示。
結果匯出	將預測結果匯出為 `預測結果.csv` (UTF-8)。

【各步驟詳解之說明】
透過模擬極端條件，AI 能準確掌握據點的「成長空間」與「處理極限點」。

數據前處理 (E1)： 修正單位不一致並進行 ABC 分級，建立高品質教師數據基礎。
模擬 (E2/E3)： 生成數千種虛擬情境 (E/I 比率 50%~150%)，讓 AI 掌握運作門檻。
機器學習 (E4)： 採用 SDCA 回歸 (機率性雙對座標上升法)，具備高效與省記憶體的特性。訓練 160 個獨立變量並匯出為輕量化 .zip 引擎。

5. 數據庫構造解說

資料庫：Tera計算Data\EIQ分析AI化\EIQ_AI模型.accdb (Microsoft Access)

資料表	來源	用途
`T200`	E1	EIQ 加工後數據（分析基礎）。
`T300_進度`	E2	模擬進度管理（流水號、設定值、CreationChk）。
`T600_數據模型`	E3	AI 訓練用數據模型（165 個欄位）。

【數據庫構造解說】
獨特的資料表轉換（從 T200 展開至 T600）是物流 Know-how 的核心。將原始歷史 (T000) 轉化為結構化紀錄 (T200)，並昇華為包含 165 個欄位的 AI 訓練模型 (T600)。

6. 執行環境・前提條件

項目	需求
框架	.NET Framework 4.8
語言	VB.NET (Windows Forms)
資料庫	Microsoft Access (ACE OLEDB 12.0)
存儲路徑	自動掃描 A: 至 F: 磁碟機中的 `Tera計算Data` 資料夾。

【執行環境解說】
全技術棧統一採用 .NET Framework 4.8。確保高維護性與桌上型程式特有的快速響應力，同時安全地整合在地端 AI 模型。

7. 數據轉換流程圖

📄 出荷データ.xlsx

▼

T000_出貨數據 → T100_Data → T110_單位換算

▼

T150_分級統計 → T180_EIQ分級 → T200 (統合)

▼

T300_進度 (設定) → T600_數據模型

▼

🤖 SDCA 回歸模型 (.zip)

【數據轉換流程解說】
此流程展示了資訊進化的過程：從原始 Excel 資料轉化為 T200 的「物流數據結構化」，再到 T600 的「模擬空間建置」，最終形成「AI 預測模型」。此過程將數據轉化為支持未來據點設計的經營資源。