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.
132<br />
Tabell 9a Prognose fra modell basert på transfer-modell og faktiske observasjoner<br />
Periode Abonne- Virke- Volum Volum<br />
m<strong>en</strong>t dager tellerskritt tellerskritt<br />
1992 Prognose Observasjon<br />
august 51322 24 19322 19279<br />
september 51571 24,4 19830 21025<br />
oktober 51743 24,7 21633 21457<br />
november 51845 23,7 20859 21278<br />
desember 51943 22,2 18782 19540<br />
1993 52052 23,4 21954 21225<br />
februar 52359 22,4 20054 20404<br />
mars 52565 25,4 21415 23376<br />
april 52648 20,95 20017 19482<br />
mai 52714 21,45 20564 20375<br />
juni 52720 24,4 20812 22630<br />
juli 52721 24,7 17643 17690<br />
Tabell 9b Testparametere for<br />
modell basert på transfer-modell<br />
Tabell 10 Testparametere for de ulike modell<strong>en</strong>e<br />
Samtlige testparametere er bedre <strong>en</strong>n for<br />
no<strong>en</strong> ann<strong>en</strong> modell. Modell<strong>en</strong> har overrask<strong>en</strong>de<br />
lave verdier for ME og MPE,<br />
dvs d<strong>en</strong> er forv<strong>en</strong>tningsrett. I tillegg er<br />
d<strong>en</strong> relativt treffsikker, idet d<strong>en</strong> gir lave<br />
verdier for MSE, RMSE, MAE og<br />
MAPE.<br />
På <strong>en</strong> god nummer to følger modell<strong>en</strong><br />
basert på Kalmanfilter. For ME og MPE<br />
er d<strong>en</strong> imidlertid slått både av modell<strong>en</strong><br />
basert på Holts metode og av modell<strong>en</strong><br />
basert på Holt-Winters metode: Prognosemodell<strong>en</strong><br />
basert på Kalmanfilter<br />
lager for lave prognoser i forhold til d<strong>en</strong><br />
observerte utvikling. Målt ved MSE,<br />
RMSE, MAE og MAPE har likevel modell<strong>en</strong><br />
basert på Kalmanfilter større treffsikkerhet<br />
<strong>en</strong>n modell<strong>en</strong> basert på Holt-<br />
Winters metode og langt større treffsikk-<br />
ME MPE MSE RMSE MAE MAPE<br />
406 1,82 861806 928 685 3,17<br />
ME MPE MSE RMSE MAE MAPE<br />
Ekspon<strong>en</strong>tiell glatting 1380 6,33 3970055 1992 1862 9,04<br />
Holts metode 68 -0,06 2195517 1482 1004 5,14<br />
Holt-Winters metode -139 -0,67 136829 370 292 1,41<br />
Box-J<strong>en</strong>kins metode 1 -0,01 47788 219 197 0,94<br />
Kalmanfilter 186 0,89 93077 305 226 1,08<br />
Regresjon 363 1,70 249704 500 402 1,90<br />
Transfer-modell 406 1,82 861806 928 685 3,17<br />
erhet <strong>en</strong>n modell<strong>en</strong> basert på Holts<br />
metode.<br />
At modell<strong>en</strong>e basert på Box-J<strong>en</strong>kins<br />
metode og Kalmanfilter kommer bedre ut<br />
<strong>en</strong>n modell<strong>en</strong> basert på regresjonsanalyse<br />
er ikke overrask<strong>en</strong>de: Det skjer ofte (m<strong>en</strong><br />
slett ikke alltid) når korttids-prognosemodeller<br />
samm<strong>en</strong>liknes. Noe av forklaring<strong>en</strong><br />
ligger i viktighet<strong>en</strong> av å inkludere<br />
alle relevante forklaringsvariable i <strong>en</strong> god<br />
regresjonsmodell, m<strong>en</strong>s vi her bare har<br />
anv<strong>en</strong>dt to. Dessut<strong>en</strong> er bare signifikante<br />
sesongvariable inkludert i vår regresjonsmodell,<br />
m<strong>en</strong>s vår versjon av Kalmanfilter-modell<strong>en</strong><br />
inkluderer alle sesongvariabl<strong>en</strong>e<br />
uansett om de er signifikante<br />
eller ikke. Dette bidrar til at modell<strong>en</strong> har<br />
større treffsikkerhet på sesongsvingning<strong>en</strong>e.<br />
Test med alle sesongvariabl<strong>en</strong>e<br />
inkludert i regresjonsmodell<strong>en</strong> viser da<br />
også betraktelig bedre resultater for<br />
regresjonsmodell<strong>en</strong>: 0,59 %-po<strong>en</strong>g lavere<br />
MPE og 0,46 %-po<strong>en</strong>g lavere MAPE.<br />
At transfer-modell<strong>en</strong> kommer dårligere<br />
ut <strong>en</strong>n modell<strong>en</strong> basert på regresjonsanalyse<br />
var imidlertid overrask<strong>en</strong>de. Samm<strong>en</strong>likner<br />
vi modell<strong>en</strong>e basert på de to<br />
metod<strong>en</strong>e ser vi at de estimerte parametr<strong>en</strong>e<br />
for hhv abonnem<strong>en</strong>t og virkedagers<br />
påvirkning på volum tellerskritt er svært<br />
like. Ulikhet<strong>en</strong> ligger dermed i transfermodell<strong>en</strong>s<br />
modellering av d<strong>en</strong> del<strong>en</strong> av<br />
tidsrekk<strong>en</strong> som ikke forklares av forklaringsvariabl<strong>en</strong>e,<br />
dvs støy<strong>en</strong>. Det er mulig<br />
at datam<strong>en</strong>gd<strong>en</strong> er noe for lit<strong>en</strong> til å<br />
id<strong>en</strong>tifisere struktur<strong>en</strong> i støy<strong>en</strong>. Anbefalt<br />
datam<strong>en</strong>gde for id<strong>en</strong>tifikasjon er minimum<br />
24 pluss to ganger sesong, dvs 48<br />
observasjoner. Vi har 43 observasjoner<br />
til rådighet. Forsøk på modellering ved<br />
bruk av alle observasjon<strong>en</strong>e frem t o m<br />
juli 1993, dvs 55 observasjoner, gav<br />
imidlertid bare små forbedringer. Som<br />
nevnt under kapittel 3.4 er det muligheter<br />
for å “gå seg bort” under modellering<strong>en</strong>,<br />
<strong>–</strong> det kan være at <strong>en</strong> grundigere analyse<br />
av støy-struktur<strong>en</strong> ville gitt bedre resultater.<br />
At modell<strong>en</strong> basert på ekspon<strong>en</strong>tiell<br />
glatting fallt dårligst ut, både mhp forv<strong>en</strong>tningsskjevhet<br />
(ME og MPE) og<br />
treffsikkerhet (MSE, RMSE, MAE og<br />
MAPE), var v<strong>en</strong>tet. D<strong>en</strong>ne modelltyp<strong>en</strong><br />
forklarer ikke tr<strong>en</strong>d og sesongsvingninger.<br />
Selv om modell<strong>en</strong> basert på Holts<br />
metode kommer godt ut mhp forv<strong>en</strong>tningsretthet<br />
(ME og MPE), kommer<br />
d<strong>en</strong>ne modell<strong>en</strong> heller dårlig ut på treffsikkerhets-mål<strong>en</strong>e<br />
(MSE, RMSE, MAE<br />
og MAPE). Dette var da også som v<strong>en</strong>tet,<br />
sid<strong>en</strong> d<strong>en</strong>ne modell<strong>en</strong> ikke forklarer<br />
sesongsvingning<strong>en</strong>e.<br />
6 Avslutt<strong>en</strong>de merknader<br />
I innledning<strong>en</strong> satte vi opp tre hovedkriterier<br />
for valg av prognosemodell og trakk<br />
ut ett delkriterium som vi har sett på:<br />
Hvordan kan vi måle ulike prognosemodellers<br />
treffsikkerhet når de er utviklet ved<br />
hjelp av ulike metoder og vi ikke har<br />
no<strong>en</strong> erfaring fra hvor gode prognoser de<br />
ulike modell<strong>en</strong>e g<strong>en</strong>ererer. Dette målte vi<br />
ved å simulere treffsikkerhet<strong>en</strong> og så<br />
måle d<strong>en</strong>ne ved hjelp av kriterier for<br />
hvorvidt hver <strong>en</strong>kelt modell i gj<strong>en</strong>nomsnitt<br />
treffer for lavt eller for høyt.Vi<br />
målte dette ved hjelp gj<strong>en</strong>nomsnittlig