本研究以國內某12吋晶圓廠之自動化物料搬運系統 ( Automated Material Handling System,AMHS)為研究對象。由於半導體體製程具有複雜的加工途程及多迴流的特性,因而會造成搬運需求跟著生產變異而上下起伏變動,所以系統應適當的調派搬運車來滿足不確定性的搬運需求,避免晶舟等候過久或是搬運車阻塞,造成系統運作不佳與績效低落。 在不確定性搬運需求的架構之下,本研究將從至表(From to table)區分成搬運需求(晶舟來到率)及晶舟搬運旅次分佈比例,分別討論兩部份對於實際搬運需求量的影響。當搬運車數量不符合系統中實際需求時,將會帶給系統不良的影響,如塞車或空車運行時間過長,林(2008)提出之動態派車的概念,也的確在績效上有較佳的表現。在此架構之下,欲隨搬運需求的改變調整搬運車數,必須先預測未來的搬運需求量,也就是下個時期的晶舟搬運從至表,因此,本研究提出此資料型態因為製程及系統特性的關係,具有時間序列及非線性的特性,所以本研究改良倒傳遞神經網路,加入時間序列的特性,期望能有較好的預測效度,並結合系統模擬,除了驗證預測模式的適用性,也回饋模擬輸出,重新訓練新的預測模型,使得預測模型能保持良好的預測效度。 最後本研究以誤差量的角度,衡量以具有時間序列特性的倒傳遞神經網路決定系統中配置的車數,較傳統上以平均值配置的車數有較小的誤差,代表此方法下提供的搬運車產能較能準確的滿足該時期系統中的搬運需求量,比傳統車數配置的方法更具有可靠度。