Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
At <strong>en</strong> modell er forv<strong>en</strong>tningsrett betyr<br />
imidlertid ikke at d<strong>en</strong> er god. Det betyr<br />
bare at summ<strong>en</strong> av avvik<strong>en</strong>e er lik 0.<br />
Figur 1a viser <strong>en</strong> forv<strong>en</strong>tningsrett prognose.<br />
Vi ser der at prognos<strong>en</strong> har store<br />
negative avvik i begynnels<strong>en</strong> av period<strong>en</strong><br />
og store positive avvik i slutt<strong>en</strong>. Summ<strong>en</strong><br />
av alle avvik<strong>en</strong>e er lik 0. Figur 1b viser<br />
<strong>en</strong> forv<strong>en</strong>tningsskjev prognose. Vi kan ut<br />
fra tilpasning<strong>en</strong> anta at prognos<strong>en</strong> i figur<br />
1b er d<strong>en</strong> beste av disse to. Dette viser at<br />
gj<strong>en</strong>nomsnittlig avvik al<strong>en</strong>e ikke er tilstrekkelig<br />
til å bestemme hvorvidt <strong>en</strong><br />
prognose er god eller dårlig.<br />
Et måltall som beskriver det gj<strong>en</strong>nomsnittlige<br />
avviket uavh<strong>en</strong>gig av fortegn er<br />
MAE (Mean Absolute Error), gj<strong>en</strong>nomsnittlig<br />
absolutt feil. Her vil ikke positive<br />
og negative avvik utligne hverandre fordi<br />
vi tar absoluttverdi<strong>en</strong> av feil<strong>en</strong>e. MAE<br />
viser hvor gal prognos<strong>en</strong> er i gj<strong>en</strong>nomsnitt,<br />
ut<strong>en</strong> h<strong>en</strong>syn til fortegn.<br />
D<strong>en</strong> gj<strong>en</strong>nomsnittlige pros<strong>en</strong>tvis<br />
absolutte feil, forkortet MAPE (Mean<br />
Absolute Perc<strong>en</strong>tage Error) angir d<strong>en</strong><br />
gj<strong>en</strong>nomsnittlige absoluttverdi<strong>en</strong> av<br />
feil<strong>en</strong> i forhold til nivået på data.<br />
Et alternativ til MAE er MSE (Mean<br />
Squared Error), gj<strong>en</strong>nomsnittlig kvadratfeil,<br />
som kvadrerer avvik<strong>en</strong>e før gj<strong>en</strong>nomsnittet<br />
beregnes. Sid<strong>en</strong> kvadratet av<br />
både positive og negative tall blir positivt,<br />
utligner heller ikke her positive og<br />
negative avvik hverandre. D<strong>en</strong> store forskjell<strong>en</strong><br />
mellom MSE og MAE er<br />
behandling<strong>en</strong> av store avvik. Når et stort<br />
avvik kvadreres blir resultatet svært stort.<br />
Dette betyr at MSE får forholdsmessig<br />
større utslag når avvik<strong>en</strong>e er store.<br />
For å bøte på de store avvik<strong>en</strong>es betydning<br />
kan man ta rot<strong>en</strong> av MSE og vi får<br />
et nytt måltall, nemlig RMSE (Root<br />
Mean Squared Error), kvadratrot<strong>en</strong> av<br />
gj<strong>en</strong>nomsnittlig kvadratfeil. RMSE er<br />
vanligvis mer m<strong>en</strong>ingsfylt <strong>en</strong>n MSE fordi<br />
det er målt i samme <strong>en</strong>het som MAE og<br />
ME. Som <strong>en</strong> grov tommelfingerregel kan<br />
det (med 95 % sannsynlighet) forv<strong>en</strong>tes<br />
at et avvik like stort som RMSE forekommer<br />
<strong>en</strong> av tre ganger, et avvik like<br />
stort som 2 * RMSE forekommer <strong>en</strong> av<br />
tjue ganger.<br />
Tabell 3 viser måleparametr<strong>en</strong>e og<br />
hvordan disse beregnes for å kunne skille<br />
forskjellige modeller og metoder og kategorisere<br />
disse som gode eller dårlige sett<br />
i forhold til hverandre.<br />
Her er:<br />
yt = volum tellerskritt på tidspunkt t<br />
= (modell<strong>en</strong>s) prognose for volum<br />
tellerskritt på tidspunkt t<br />
Forklaring til verdisett<strong>en</strong>e:<br />
ME: Gj<strong>en</strong>nomsnittlig feil i prognose som<br />
modell<strong>en</strong> gir i forhold til observerte<br />
verdier. B<strong>en</strong>yttes for å vise om det er <strong>en</strong><br />
skjevhet i prognos<strong>en</strong>e. Bør være så nær 0<br />
som mulig. Positiv feil gir for lave prognoser,<br />
m<strong>en</strong>s negativ feil gir for høye<br />
prognoser.<br />
MPE: Gj<strong>en</strong>nomsnittlig pros<strong>en</strong>tvis feil i<br />
prognoser i forhold til observerte verdier.<br />
Ellers lik ME.<br />
MSE: Gj<strong>en</strong>nomsnittlig kvadratavvik<br />
mellom prognose og observerte verdier.<br />
Et mål på nøyaktighet<strong>en</strong>. Bør være så<br />
lavt som mulig, jo større verdier desto<br />
mer unøyaktig er modellprognos<strong>en</strong>e.<br />
Store avvik veier tungt.<br />
RMSE: Kvadratrot<strong>en</strong> av gj<strong>en</strong>nomsnittlig<br />
kvadratavvik mellom prognoser og<br />
observerte verdier. Store avvik veier ikke<br />
tungt. Ellers lik MSE.<br />
MAE: Gj<strong>en</strong>nomsnittlig absolutt feil i<br />
estimerte verdier i forhold til observerte<br />
verdier. Også et mål på nøyaktighet<strong>en</strong>.<br />
Bør være så lavt som mulig, jo større<br />
verdier desto mer unøyaktig er modellprognos<strong>en</strong>e.<br />
MAPE: Gj<strong>en</strong>nomsnittlig pros<strong>en</strong>tvis absolutt<br />
feil i estimerte verdier i forhold til<br />
observerte verdier. Ellers lik MAE.<br />
ˆy t<br />
4 Modeller og prognoser<br />
Her refereres kort de ulike modell<strong>en</strong>e og<br />
hvilke prognoser disse g<strong>en</strong>ererer. Alle<br />
modeller utnytter d<strong>en</strong> samme informasjon,<br />
gitt i tabell 1. Alle glattingsmodell<strong>en</strong>e<br />
og tidsrekkemodell<strong>en</strong>e b<strong>en</strong>ytter<br />
således volum tellerskritt pr abonnem<strong>en</strong>t<br />
pr virkedag som prognosevariabel, m<strong>en</strong>s<br />
transfer- og regresjonsmodell<strong>en</strong> b<strong>en</strong>ytter<br />
volum tellerskritt som avh<strong>en</strong>gig variabel<br />
og abonnem<strong>en</strong>t og virkedager som forklaringsvariable.<br />
For ekspon<strong>en</strong>tiell glatting, Holts metode<br />
og Holt-Winters metode må det settes<br />
såkalte glattings-parametere. Disse sier<br />
hvordan nye og gamle observasjoner skal<br />
vektlegges i modell<strong>en</strong>. Disse glattingsparametr<strong>en</strong>e<br />
er valgt ut fra skjønn. Kriteriet<br />
har vært balansegang<strong>en</strong> mellom <strong>en</strong><br />
god beskrivelse av historisk utvikling og<br />
fornuftige prognoser.<br />
For transfer- og regresjonsmodell<strong>en</strong> er<br />
det ikke lagt ves<strong>en</strong>tlig vekt på å utvikle<br />
de “best mulige modeller” inn<strong>en</strong> sin<br />
klasse. Modell<strong>en</strong>e er således valgt ut fra<br />
at de gir <strong>en</strong> rimelig god beskrivelse av<br />
d<strong>en</strong> historiske utvikling og samtidig tilfredsstiller<br />
de mest grunnlegg<strong>en</strong>de krav<br />
til statistisk signifikans.<br />
Alle metod<strong>en</strong>e, untatt Transfer-modeller,<br />
er behandlet i egne artikler i dette<br />
nummer av Telektronikk. Vi velger derfor<br />
kun å pres<strong>en</strong>tere modell<strong>en</strong>e og prognoseresultat<strong>en</strong>e<br />
ut<strong>en</strong> å gå inn på d<strong>en</strong><br />
beregnings-tekniske del<strong>en</strong> av modell<strong>en</strong>e.<br />
4.1 Ekspon<strong>en</strong>tiell glatting<br />
Prognosemodell<strong>en</strong> er gitt ved <strong>en</strong> oppdateringslikning<br />
(1) og <strong>en</strong> prognoselikning<br />
(2):<br />
(1)<br />
ˆy t = 0,9 ˆy t−1 + 0,1yt F t+k = ˆy t<br />
(2)<br />
Her er:<br />
yt = observert verdi av volum tellerskritt<br />
pr abonnem<strong>en</strong>t pr virkedag, tidspunkt<br />
t<br />
ˆy t<br />
ˆy t−1<br />
= estimat for y t<br />
= estimat for y t-1<br />
Ft+k = prognose k perioder frem<br />
(k = 1, 2, ..., 12)<br />
Konstant<strong>en</strong> 0,9 i (1) kalles glattingsparameter,<br />
og er d<strong>en</strong> vekt som legges på<br />
historikk<strong>en</strong>, m<strong>en</strong>s konstant<strong>en</strong> 0,1 er d<strong>en</strong><br />
vekt som legges på siste observasjon. En<br />
ann<strong>en</strong> tolkning av glattingsparameter<strong>en</strong><br />
er <strong>en</strong> beskrivelse av hvordan nivået på<br />
Tabell 3 Målekriterier og hvordan disse blir<br />
beregnet<br />
Måle- Formel<br />
kriterium<br />
ME<br />
MPE<br />
MSE<br />
RMSE<br />
MAE<br />
12<br />
1/12∗ ( y ∑ t − ˆy t )<br />
t=1<br />
100 /12∗ [( y ∑ t − ˆy t )/ yt ]<br />
1/12∗ ( y t<br />
12<br />
∑ − ˆy t )<br />
t=1<br />
2<br />
SQRT[1 /12∗ ( y t<br />
12<br />
1/12∗ [ABS( y ∑ t − ˆy t )]<br />
t=1<br />
MAPE 100 /12∗ [ABS( y ∑ t − ˆy t )/ yt ]<br />
12<br />
t=1<br />
12<br />
t=1<br />
12<br />
∑ − ˆy t )<br />
t=1<br />
2 ]<br />
127