活用機器學習與SDCA迴歸的AI模型學習、預測與資料庫構建系統
本系統是一套 Windows Forms 應用程式，結合 EIQ分析（Entry-Item-Quantity分析） 方法與進階機器學習， 從出貨數據中構建精細的AI預測模型（AI模型）。
以出貨地點數（E）與品項數（I）為輸入， 針對散裝數量、行數、EIQ指標、箱數、棧板數、容積、重量等約160個項目， 採用機器學習演算法 SDCA迴歸（Microsoft.ML） 進行預測。
| 檔案 | 類別 / 模組 | 角色 |
|---|---|---|
E0_選單畫面.vb |
E0_選單畫面F | 主選單。切換至各處理畫面與確認資料庫狀態 |
E1_數據前處理.vb |
EIQ_AI模型前處理F | 出貨數據匯入、區分換算、建立 EIQ 等級設定、建立 T200 資料表 |
E2_模型數據設定.vb |
模型數據設定F | E/I比例與間距設定、管理 T300_進度資料表、切換至 E3 畫面 |
E3_模型數據建立.vb |
E3_模型數據建立F | 依據 T300_進度 建立 T600_數據模型（批次處理） |
E4_機器學習.vb |
E4_機器學習F | 透過 Microsoft.ML（SDCA迴歸）訓練AI模型、執行預測與匯出 |
EIQ_AI實證與驗證Pro.vb |
EIQ_AI實證與驗證Pro | AI預測模型實證與驗證（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 | 新建 Access 資料庫與 Excel 匯入 |
Access操作.vb |
— | SQL 執行輔助程式、資料庫資料表操作通用處理 |
資料表結構確認.vb |
— | 資料庫結構確認與診斷公用程式 |
由於物流現場的原始數據常混雜單位或存在缺陷，透過「區分換算的自動化」統一散裝、箱裝等出貨單位，以確保計算精度。 此外，自動執行「5階段柏拉圖分析（EIQ等級設定）」，可讓AI模型將「哪些商品群是中心負荷的主因」識別為特徵量。
本系統以 VB.NET 與 Microsoft Access（資料庫）為基礎，依處理階段進行清晰的模組化。 採用無需透過外部雲端服務、完全在本地環境（.accdb）中完成的設計，在確保高機密性出貨數據隱私的同時，實現桌面環境下的高速批次處理。
不單僅憑過往的單一模式，而是生成數千種將 E/I 比例在 50%〜150% 範圍內變化的「虛擬出貨情境」來訓練AI模型。
透過模擬「若出貨地點增加至 1.5 倍？」或「若品項縮減至一半？」等極端條件下的數值，AI預測模型能夠精準掌握據點的「成長空間」與「處理極限點」。
E0_選單畫面F應用程式啟動時的進入點。
EIQ_AI模型.accdb 是否存在，顯示 T200 資料表有無、類型（連結或本機）與資料筆數EIQ_AI模型前處理F處理從匯入出貨數據到建立 EIQ 分析用的 T200 資料表（儲存至資料庫）的所有程序。
| 處理 | 內容 | 生成資料表 |
|---|---|---|
| 新建 Access DB | 新建 EIQ_AI模型.accdb | — |
| 匯入 Access | 將 出貨數據.xlsx 匯入至資料庫 | T000_出貨數據 |
| T110_區分換算 | 建立 T100_Data、建立區分換算表、各換算計算、出貨單位區分 | T100_Data, T110_區分換算 |
| 建立 T200_EIQ數據加工 | 整箱出貨/散裝出貨的 EI 等級集計、T180_EIQ等級設定、整合 T200 資料表 | T150_*, T180_EIQ等級, T200 |
| 全出貨 GPL 等級 | 建立全出貨 GPL 的 E/I 等級設定，並於 T200 新增欄位 | T160_全出貨E集計, T160_全出貨I集計 |
模型數據設定F設定運用機器學習訓練 AI預測模型 所需數據的生成參數。
| 參數 | 範圍 | 說明 |
|---|---|---|
| E最小比例 / E最大比例 | 50% 〜 150% | 出貨地點數的波動範圍（相對於基準值的比例） |
| I最小比例 / I最大比例 | 50% 〜 150% | 品項數的波動範圍（相對於基準值的比例） |
| 資料筆數間距 | 1 〜 20（預設 5.9） | 生成資料筆數的間隔（越細數據密度越高） |
E3_模型數據建立F依序處理 T300_進度 資料表中未處理的資料，並將數據寫入資料庫的 T600_數據模型 資料表中。
| 類別 | 欄位 | 數量 |
|---|---|---|
| 基本資訊 | 模型流水號, 出貨地點數, 品項數, 散裝數量, 行數 | 5 |
| E指標 | E1 〜 E5 | 5 |
| I指標 | I1 〜 I5 | 5 |
| 按行數等級 | 行數01 〜 行數25 | 25 |
| 按散裝數等級 | 散裝數01 〜 散裝數25 | 25 |
| 按箱數等級 | 箱數01 〜 箱數25 | 25 |
| 按棧板數等級 | 棧板01 〜 棧板25 | 25 |
| 按容積等級 | 容積01 〜 容積25 | 25 |
| 按重量等級 | 重量01 〜 重量25 | 25 |
建立Chk 標記管理，
即使中途中斷，下次仍可從未處理的資料繼續執行。
亦搭載了透過鍵盤插斷（GetAsyncKeyState API）進行中斷的功能。
E4_機器學習F運用 Microsoft.ML 程式庫進行基於 SDCA迴歸 的 AI預測模型 訓練與預測。
| 功能 | 說明 |
|---|---|
| 讀取數據 | 透過 LoadFromTextFile 讀取 數據模型.csv 並顯示筆數 |
| 執行機器學習 | 針對每個輸出欄位訓練 SDCA迴歸 模型，並以 .zip 格式儲存於 Models/ 資料夾 |
| 讀取已訓練AI模型 | 整批讀取已儲存的 .zip 模型（無需重新訓練即可進行預測） |
| 執行預測 | 輸入出貨地點數與品項數 → 透過所有 AI模型 進行預測 → 於 DataGridView 顯示結果 |
| 匯出結果 | 將預測結果以 UTF-8 編碼匯出為 預測結果.csv |
| 類別 | 項目 |
|---|---|
| 輸入（自變數） | 出貨地點數, 品項數 |
| 輸出（應變數） | 散裝數量, 行數, E1-E5, I1-I5, 行數01-25, 散裝數01-25, 箱數01-25, 棧板01-25, 容積01-25, 重量01-25 （共約 160 項 × 各 1 個 AI模型） |
透過模擬「若出貨地點增加至 1.5 倍？」或「若品項縮減至一半？」等極端條件下的數值，AI預測模型能夠精準掌握據點的「成長空間」與「處理極限點」。
資料庫: Tera計算Data\EIQ分析AI化\EIQ_AI模型.accdb（Microsoft Access）
| 資料表 | 建立來源 | 用途 |
|---|---|---|
T000_出貨數據 | E1（Excel匯入） | 原始出貨數據 |
T100_Data | E1 | 基本出貨數據（含列流水號） |
T110_區分換算 | E1 | 依據出貨區分的換算數據 |
T150_C/B單位出貨E/I集計 | E1 | 按整箱/散裝出貨分類的 EI 集計與 ABC 等級設定 |
T160_全出貨E/I集計 | E1 | 全出貨 GPL 等級設定（按 E/I 分） |
T180_EIQ等級 | E1 | EIQ 等級設定整合資料表（CE/CI/BE/BI） |
T200 | E1 | EIQ 分析加工完成數據（整合所有等級與指標） |
T300_進度 | E2 | AI模型數據建立的進度管理（流水號、設定值、建立Chk） |
T600_數據模型 | E3 | 機器學習用的數據模型（165個欄位） |
獨創的資料庫資料表演變（從 T200 展開至 T600）正是物流專業知識的結晶。 將單純作為履歷數據的 T000，轉換為經過 EIQ 加工與指標整合的「紀錄（T200）」，最終昇華為多達 165 個欄位的機器學習用 AI模型（T600）。
| 項目 | 需求 |
|---|---|
| 框架 | .NET Framework 4.8 |
| 語言 | VB.NET（Windows Forms） |
| 主要程式庫 | Microsoft.ML（採用 SDCA迴歸 的機器學習）, ClosedXML, ADOX, Microsoft.Office.Interop.Access |
| 資料庫 | Microsoft Access（ACE OLEDB 12.0） |
| 數據儲存位置 | 任意磁碟機的 Tera計算Data 資料夾（自動搜尋 A:〜F:） |
| 必備檔案 | Tera計算Data\EIQ分析AI化\出貨數據.xlsx（從出貨數據建立時） |
K1.vb 中的 檔案確認() 方法會掃描 A: 〜 F: 磁碟機，
自動偵測 Tera計算Data 資料夾。
若存在於多個磁碟機中則會回傳錯誤。
從前端 UI 到後端資料庫，再到結合機器學習的 AI預測模型，整體技術堆疊皆統一於 .NET Framework 4.8。 這種一貫性將與外部程式庫的相衝減至最低，不僅具備可彈性因應 OS 更新的高維護性，亦兼具桌面應用程式獨有的極佳即時回應性。
展示了 Excel 格式的原始數據，經過 T200 的「物流數據結構化」，到 T600 的「模擬空間構建」，最終演變為基於機器學習的「AI預測模型」的資訊進化過程。 透過這一連串的資料庫構建流程，將看似無序的出貨數據轉化為支援未來據點設計的經營資源。
傳統 EIQ 分析僅停留在過去實績的「統計（靜態點）」階段。 本系統讓機器學習的AI模型學習出貨地點數（E）與品項數（I）的波動，使 EIQ 分析進化為能動態模擬據點容量與負荷的「AI預測模型」。
本系統是將 30 年物流顧問經驗演算法化的次世代模擬平台。 相較於傳統 EIQ 分析僅靜態統計過去出貨實績，本系統讓AI模型學習出貨地點數（E）與品項數（I）的變化，擔負起新建或整合據點時動態預測容量的「物流數位分身」角色。