概要：Tera計算 EIQAI 的定位與技術架構

作為 Tera計算 系列擴充模組的 EIQAI，是一套從根本革新物流中心傳統分析手法 EIQ分析（E＝出貨地點、I＝品項、Q＝數量）的系統。
本軟體於系統內部嵌入了 Microsoft.ML（ML.NET）的進階已訓練模型，開發為不僅限於靜態統計過往數據、更可對未來物流量波動執行高精度 AI預測 的 Windows 表單應用程式。

目的

本系統最大的目的在於從極少的輸入資訊實現廣泛的物流模擬，並生成詳細的 EIQ矩陣。
使用者僅需指定「出貨地點數」與「品項數」這區區 2 個輸入參數，系統即可於內部一括對 EIQ 分析所需的 162 項變數進行 AI預測。
具體而言，從散裝數量與行數等基本指標，到出貨地點等級（E1-E5）與品項等級（I1-I5），乃至行數、散裝數、箱數、棧板數、容積、重量之各 25 個等級別數值，皆可瞬間算出。
為了能直觀理解這些龐大的預測結果，系統會將其視覺化為 EIQ矩陣 表或傳統計算表呈現於畫面上，為物流據點的設計與容量規劃提供強大支援。

運作環境與技術結構

本系統採用以下技術結構，以實現高效能與安全的本機環境運作：

主要功能

• 執行 AI 預測功能：於畫面上輸入出貨地點數與品項數，於背景待命的 162 個已訓練模型（Microsoft.ML）將一齊運作，分別對各指標的未來數值進行 AI預測。
• 自動生成 EIQ 矩陣表：自動於畫面上構建交叉 GPLE 等級 (E1-E5) × GPLI 等級 (I1-I5) 的 5×5 EIQ矩陣。 此外，配合現場分析需求，只需一鍵即可將顯示單位切換為出庫次數、散裝、箱裝、棧板、容積、重量等 6 種。
• 輸出傳統計算 E 表：針對習慣傳統分析手法的使用者，按出貨地點等級 (GPLE_A1〜D) 跨項目集計出貨次數、散裝數、箱數換算、棧板換算、容積換算、重量換算並製作表格。
• 輸出傳統計算 I 表：同理，按品項等級 (GPLI_A1〜D) 將各項指標沿列方向進行集計並生成表格，提供多角度視角。
• 預測結果數據匯出功能：將於畫面上確認的預測結果匯出為詳細的 CSV 檔案 (預測結果_yyyyMMdd_HHmmss.csv)，方便二次利用。
• 與實際計算比較與誤差視覺化：將過往預實計算數據與本次 AI預測 結果間產生的落差，以儲存格單位或列・行・綜合的百分比（％）顯示誤差，驗證模型的精度。
• 重新讀取已訓練模型：透過重新掃描模型資料夾內儲存的 .zip 檔案群，具備無需重新啟動應用程式即可替換為最新模型的功能。
• 自動優化 Access DB：啟動時自動檢查 DB 檔案大小，若超過門檻值 (100MB)，將自動執行壓縮優化處理以維持系統效能。

開發資訊

整體流程：從啟動到AI預測與EIQ矩陣生成

於 Tera計算 EIQAI 中，使用者啟動應用程式後繪製 EIQ矩陣 並進行誤差驗證的整體處理關聯（流程）如下：

各處理詳細說明：AI預測與矩陣輸出機制

【1】表單載入（Tera計算EIQAI_Load）

應用程式啟動時的初始化程序：

• 呼叫 檔案確認() 掃描數據儲存磁碟機。
• 初始化作為 Microsoft.ML 基礎的 MLContext(seed:=0)，做好 AI預測 的準備。
• 嚴格確認儲存模型路徑的資料夾是否存在。
• 執行 輸出欄位名稱串列初始化()，定義以下欄位：
  • 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 162 個欄位
• 透過 讀取已訓練模型() 將資料夾內所有 .zip 檔案以 ITransformer 格式展開於記憶體中。
• 呼叫 AI預測EIQ矩陣表Dgv初始化() 設定 7 列 × 5 行的 EIQ矩陣 表標頭框架。

【2】執行預測（執行預測Bt_Click → 執行預測()）

以使用者輸入資訊為觸發點、實際運行 AI預測 的核心程序：

• 驗證 出貨地點數Tb、品項數Tb 的文字方塊輸入值。
• 建立預測輸入來源的 InputData（出貨地點數, 品項數）物件。
• 對已讀取的全 162 個已訓練模型（Microsoft.ML），透過 CreatePredictionEngine 一齊執行 Predict 方法。
• 將算出的預測結果儲存於 Dictionary(Of String, Single) 格式的數據結構中。
• 呼叫 顯示預測結果() 轉換為 DataTable，並繫結至顯示預測結果的 DataGridView（Dgv）呈現於畫面上。

【3】建立 EIQ 矩陣表（AI預測EIQ矩陣表()）

將算出的預測數據重新構建為視覺化 EIQ矩陣 的程序：

• 從預測結果 Dgv 萃取數據並快取至字典物件 (pred)（此時鍵為項目名稱，值為四捨五入後的整數）。
• 依據畫面上顯示單位單選按鈕的選擇狀態，決定要處理變數的前綴詞（Prefix）。
• 將 I1-I5、E1-E5 的各值及其合計值填入萃取用文字方塊中。
• 將預測數值精準填入 AI預測EIQ矩陣表 Dgv 指定的 5×5 = 25 個儲存格中。
• 計算矩陣的橫計（各列合計）、縱計（各行合計）及整體總合計，並顯示於表格末端。

【4】傳統計算 E（AI預測傳統計算E()）

將經 AI預測 的數據從傳統按出貨地點等級（E）觀點重新跨項目集計的程序：

• 對 AI預測傳統計算出貨地點Dgv 設定 9 列數據列格式。
• 按 GPLE 等級（E1-E5）分配 1 列，並加總水平方向數值進行輸出。
• 於表格最下方算出並追加全數據合計列。

【5】傳統計算 I（AI預測傳統計算I()）

將經 AI預測 的數據從傳統按品項等級（I）觀點重新跨項目集計的程序：

• 對 AI預測傳統計算品項Dgv 設定 9 列數據列。
• 按 GPLI 等級（I1-I5）分配 1 列，加總矩陣的垂直方向數值並輸出。
• 於表格最下方算出並追加全數據合計列。

【6】切換顯示單位（萃取_顯示單位_CheckedChanged）

動態切換 EIQ矩陣 顯示內容的 UI 處理：

• 受控僅於內部旗標 matrixActive = True 的條件下運作。
• 操作單選按鈕時，將立即重新執行 AI預測EIQ矩陣表() 以更新矩陣表。
• 使用者可於出庫次數 / 散裝 / 箱裝 / 棧板 / 容積 / 重量 6 種單位中自由選擇。

【7】匯出結果（匯出結果Bt_Click）

將預測數據輸出以串接至外部的處理：

• 將預測結果 Dgv 的全數據輸出為 CSV 格式檔案。
• 輸出檔名自動生成為 預測結果_yyyyMMdd_HHmmss.csv 時間戳記格式。
• 檔案首列會將作為預測前提的輸入條件（出貨地點數, 品項數）記載為註解。

【8】重新讀取已訓練模型（讀取已訓練模型Bt_Click）

• 重新掃描模型資料夾內的 .zip 檔案，動態讀取並更新最新的 AI 模型。

【9】預測與實際計算比較（開始比較Bt_Click）

• 執行 開始比較() 方法，接著執行 顯示誤差()，藉此評估預測值與實績值的落差。

數據結構

本系統（Tera計算 EIQAI）內部所處理的數據結構一覽：

主要控制項一覽

配置於畫面上之主要 UI 控制項群及其角色一覽：

輸入

按鈕

顯示單位單選按鈕

DataGridView

萃取文字方塊

輔助函式

用於輔助內部處理的函式群：