Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

102 16 Bøe, J, Stordahl, K. Tellerskrittene: Televerkets viktigste inntektskilde. Telektronikk 87(1), 78–92, 1991.
Vekstmodeller AV JOHANNES BØE OG CARLO HJELKREM Innledning I forbindelse med utarbeiding av prognoser finnes det en rekke forskjellige metoder og modeller. Disse kan grovt deles inn i to grupper: - Framskrivning på grunnlag av historiske data. Slike modeller er det som har vært benyttet i Televerket fram til i dag og vil bli benyttet i framtiden for de fleste tjenester. - Prognoser som er utledet fra studier av markedets holdninger til produktene/tjenestene. Dette er en vanlig framgangsmåte ved introduksjon av nye tjenester. Kombinasjoner av disse to hovedgrupper kan også forekomme. Ved å kombinere metodene er det mulig å gi sikrere anslag for framtiden/utviklingen enn en av metodene alene kan gi. I de tilfeller man ikke har historiske data, må prognosene for etterspørsel etter (nye) tjenester lages på bakgrunn av andre former for erkjennelse, erfaring og informasjon. En slik erkjennelse er at etterspørselen etter nye produkter ofte følger en S-kurve over tid. Det antas at etterspørselen etter et produkt / en tjeneste følger en voksende eksponentiell utvikling i en tidlig fase for så å følge en avtagende eksponentiell utvikling inntil den har nådd en potensialgrense, for deretter å avta inntil produktet er helt ute av markedet. Figur 1 viser hvordan totaletterspørselen øker med tiden inntil den når en potensialgrense, for så å avta. Når totaletterspørselen avtar gradvis etter at potensialgrensen er nådd skyldes dette at produktet avløses av nye (og bedre) produkter. Når vi lager prognoser for nye tjenester, er det først og fremst utviklingen de første årene som er viktig. Disse modellen benevnes gjerne som vekstmodeller. Vekstmodellene er en litt spesiell klasse modeller. Felles for disse er at de i utgangspunktet kun har én forklaringsvariabel, tiden t. Det er mulig å utvide med flere variable, men da har vi beveget oss over i de mer tradisjonelle regresjonsmodeller. Vanligvis inneholder de heller ikke mer enn tre parametre, noe som både er en styrke og en svakhet. Vekstmodeller benyttes vanligvis til å lage prognoser når datagrunnlaget er spinkelt. Dette spinkle datagrunnlaget vil danne grunnlag for å estimere parametrene i modellen. Det vil imidlertid knytte seg stor usikkerhet til estimatene når datagrunnlaget er spinkelt. Man kan si at modellenes styrke ligger i at det kreves lite data i forhold til tradisjonelle modeller. I tillegg har de en evne til å lage gode prognoser for nye tjenester/produkter i en tidlig utviklingsfase. Da er det naturlig at det finnes lite erfaringsmateriale, og det er ikke mulig å benytte seg av historisk utvikling for å estimere sammenhenger i en komplisert modell. Erfaringer har vist at modellene er svært realistiske og passer godt til utviklingen av nye tjenester på et tidlig stadium. Svakheten er at de ofte ikke inkluderer andre forklaringsvariable enn tiden, t. Dette gjør at modellene ikke har samme fleksibilitet og tilpasningsevne som mer konservative og raffinerte modeller. I figurene 2a–2d er det gitt eksempler på tre typiske vekstmodeller. Disse er - Eksponentiell modell - Gompertz modell - Logistisk modell – S-kurve - Weibull-modellen. Figur 2a, 2b, 2c og 2d viser forskjellige vekstmodeller. Figur 2a viser Ekponentiell modell: yt = αe-βt Figur 2b viser Gompertz modell: yt = α(eβ )et Figur 2c viser logistisk modell – S-kurve: M yt = (1 + e (α−βt ) ) M er markedspotensial. Figur 2d viser Weibull-modellen: yt = M - (M-m)eαtβ M er markedspotensial m er startnivå. Det ses klart at alle unntatt den eksponentiell modellen konverterer mot en grenseverdi (metningsgrense). Starten på modellene er alle av eksponentiell natur. Dette kan være en naturlig vekst for en tjeneste eller et produkt i en tidlig fase av utviklingen. Disse modellene kan med fordel benyttes til langtidsprognoser. Å lage gode langtidsprognoser er svært vanskelig. Mange av forutsetningene som en langtidsprognose er basert på kan endres over tid, og dermed oppstår det feil i anslagene. Dette er/kan være et argument for å benytte seg av enkle modeller for langtidsprognoser. Dersom det antas at en tjeneste eller et produkt vil ha en metningsgrense – f eks lik antall husstander – en grense som kan estimeres ut fra andre kriterier, vil metningsmodellene være en aktuell modellklasse. Metningsgrensen vil da være grenseverdien modellen på sikt grenser opp til. S-kurven – Logistisk modell Vi skal nå konsentrere oss om S-kurver som er en videreutvikling av den enkle logistiske modell. Vi vet at utviklingen av nye tjenester er noenlunde lik på enkelte områder uansett hvilken tjeneste det gjelder. Vi kan gjerne sammenlikne teledata med mobiltelefon og finne likhetstrekk i disse to så forskjellige tjenester med forskjellig utvikling. Ved å plotte etterspørselen til disse to tjenester ser vi at de begge følger en tilnærmet S-kurve/metningsfunksjon. Forskjellen ligger i hvor bratt stigningen er og nivået på kurvene. Dette kan ses av kurvene i figur 3–6. Figur 3 viser utviklingen på mobiltelefon sammenliknet med tilpasset S-kurve. 100 90 80 70 60 50 40 30 20 10 0 H, B,15 001.18:621.39 1 10 20 30 40 50 60 70 80 Figur 1 Vanlig utvikling av totaletterspørselen 103
Page 2 and 3:
Innhold TEMA: Introduksjon, Kjell S
Page 5 and 6:
1 Utvikling av prognosearbeidet i T
Page 7 and 8:
- Prognoser for vanlig telefonabonn
Page 9 and 10:
De økonomiske beregninger som ligg
Page 11 and 12:
ment fra bedrifter. I tillegg er de
Page 13 and 14:
Tele-hjemmearbeid Kommunikasjon mel
Page 15 and 16:
observasjoner, fordi det er en ny t
Page 17 and 18:
1.nyttårsdag (x 10 000) 400 350 30
Page 19 and 20:
20 dere med antall abonnenter. niv
Page 21 and 22:
Indeks 220 200 180 160 140 120 100
Page 23 and 24:
menes at det statistisk ikke er tro
Page 25 and 26:
klassiske prognosemetoden i den fø
Page 27 and 28:
Tabell 6.3 Tidsrekker med forskjell
Page 29 and 30:
38 7.3 Enkel modellbygging Utgangsp
Page 31 and 32:
Når vi bruker minste kvadraters me
Page 33 and 34:
e t 0 99.9 Figur 7.13 Plott av resi
Page 35 and 36:
58 53 48 43 38 33 28 1 0.5 0 -0.5 -
Page 37 and 38:
sjonene eller utviklingen til y. Va
Page 39 and 40:
det kommunisere med. Dermed blir tj
Page 41 and 42:
1 og ved t med (1 - b) og summerer
Page 43 and 44:
i etterspørselen i påfølgende m
Page 45 and 46:
aggregerte prognosen er riktig. Ned
Page 47 and 48:
prognosene vil med sikkerhet ikke v
Page 49 and 50:
skyld, er lite, vil det også være
Page 51: Ed: O D Anderson. Amsterdam, North
Page 54 and 55: 54 Diverse enkeltpersoner 16 Televe
Page 56 and 57: Figur 3.3 Innhenting av informasjon
Page 58 and 59: 58 Selvbetjening over telenettet Tj
Page 60 and 61: 60 Det kan være vanskelig med noen
Page 62 and 63: 62 I TITAN-prosjektet ble det foret
Page 64 and 65: 64 Prosentandel av husstander 25 20
Page 66 and 67: 66 I N E T T E T Annullerte bestill
Page 68 and 69: (x 100) 22 17 12 68 7 2 -3 01/87 +
Page 70 and 71: periodene, skyldes at dette skjules
Page 72 and 73: 72 “givende” sentralen til den
Page 74 and 75: 74 spesielt er opptatt av forklarin
Page 76 and 77: 001.18:621.39 76 Glattingsmodeller
Page 78 and 79: 78 Tabell 2 De opprinnelige sesongo
Page 80 and 81: 80 0.025 0.02 0.015 0.01 0.005 y' t
Page 82 and 83: Tabell 3 Holts metode 82 År t Anta
Page 84 and 85: Tabell 5 Hvordan Holt-Winters addit
Page 86 and 87: (x 100) 20 15 10 86 5 0 antall abon
Page 88 and 89: Abonnement 540 520 500 480 460 88 n
Page 90 and 91: 90 ingsprosedyre som skal iterere s
Page 92 and 93: 92 forbedringer av modellen. Plott
Page 94 and 95: 94 Vi ser av (5.12) at variansen ti
Page 96 and 97: 96 Figur 7.2 Residualer fra lineær
Page 98 and 99: 98 Tabellen viser at alle parameter
Page 100 and 101: disse til å lage prognoser med. So
Page 104 and 105: 200 180 160 140 120 100 80 60 40 Fi
Page 106 and 107: 106 1 0.8 0.6 0.4 0.2 0 1 0.8 0.6 0
Page 108 and 109: 108 Tabell 2 viser de historiske da
Page 110 and 111: 001.18:621.39 110 Box-Jenkins metod
Page 112 and 113: Standardavvik 600 550 500 450 400 S
Page 114 and 115: 114 AR-parametre og q MA-parametre
Page 116 and 117: 116 Figur 13 Autokorrelasjonsfunksj
Page 118 and 119: 118 Korrelasjonsverdi Vi ser av fig
Page 120 and 121: 120 Aksepter hypotesen om at parame
Page 122 and 123: Residualer 0.4 0.3 0.2 0.1 122 0 -0
Page 124 and 125: 124 Referanser 1 Stordahl, K, Hjelk
Page 126 and 127: Tabell 1 Volum tellerskritt, abonne
Page 128 and 129: 128 Tabell 3a Prognose fra modell b
Page 134 and 135: 001.18:621.39 134 Prognoser for abo
Page 136 and 137: 136 Tabell 3 Analyse av støyledden
Page 138 and 139: 138 Tabell 5 Utskrift av prognosepr
Page 140 and 141: vi ikke diskutere her. Poenget er
Page 142 and 143: 142 prognosen. Da “beskjæres”
Page 144 and 145: 144 7 Stordahl, K. Prognosemetoder:
Page 146 and 147: Tabell 1 Oversikt over takstklassen
Page 148 and 149: 148 Tabell 5 Antall samtalesekunder
Page 150 and 151: 150 a) (x1000) 45 35 25 15 5 (x1000
Page 152 and 153:
152 Tabell 8 viser de avleste telle
Page 154 and 155:
154 Tabell 11 Komplett datasett med
Page 156 and 157:
001.18:621.39 156 Prognoser for nye
Page 158 and 159:
158 3.1 Vurderinger av foreliggende
Page 160 and 161:
160 passer utmerket, med relativt l
Page 162 and 163:
2B+D aksesser (x1000) 7 6 5 4 3 2 1
Page 164 and 165:
164 (x1000) 10 8 6 4 2 0 Tabell 6 I
Page 166 and 167:
001.18:621.39 166 Prognoser for pri
Page 168 and 169:
168 der ˆσ β* = ˆσ = ˆy t =
Page 170 and 171:
n r (t) 90 % 10 170 1,00 0,80 0,60
Page 172 and 173:
ønsker å benytte disse metodene f
Page 174 and 175:
174 Remote router/ Bridge hand, the
Page 176 and 177:
176 Figure 5 ATM cell Bridge 48 byt
Page 178 and 179:
178 DTE less than 2 Mbit/s, Frame R
Page 180 and 181:
180 References 1 Mannsåker, B et a
Page 182 and 183:
182 Table of contents page Introduc
Page 184 and 185:
006 621.391 184 Signal processing B
Page 186 and 187:
006:681.324 006:681.327.8 186 Data
Page 188 and 189:
006 621.39 188 Teletraffic and dime
Page 190 and 191:
190 contractor. The project had a b
Page 192 and 193:
Table 2 ITU Recommendations for con
Page 194 and 195:
006 654.01:65 194 Telecommunication
Page 196 and 197:
006 196 Introduction EURESCOM is an
Page 198:
198 Intelligent networks 26 % Infra
show all

Prognosemetoder – en oversikt - Telenor

Create successful ePaper yourself

Delete template?

Save as template?