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.
avvik (ME) og gj<strong>en</strong>nomsnittlig pros<strong>en</strong>tvis<br />
avvik (MPE).<br />
I tillegg beregnet vi det gj<strong>en</strong>nomsnittlige<br />
avviket uavh<strong>en</strong>gig av fortegn, dvs gj<strong>en</strong>nomsnittlig<br />
absolutt feil (MAE) og d<strong>en</strong><br />
gj<strong>en</strong>nomsnittlige pros<strong>en</strong>tvis absolutte feil<br />
(MAPE). Et alternativ til MAE er gj<strong>en</strong>nomsnittlig<br />
kvadrat-feil (MSE) og kvadratrot<strong>en</strong><br />
av gj<strong>en</strong>nomsnittlig kvadratfeil<br />
(RMSE).<br />
Målt ved disse testparametr<strong>en</strong>e var modell<strong>en</strong><br />
basert på Box-J<strong>en</strong>kins metode<br />
suver<strong>en</strong>t best: Forv<strong>en</strong>tningsrett og svært<br />
god treffsikkerhet.<br />
Som innledning<strong>en</strong> h<strong>en</strong>tyder, er dette bare<br />
ett av de krav<strong>en</strong>e som bør stilles til <strong>en</strong><br />
god prognosemodell. Når de andre krav<strong>en</strong>e<br />
testes kan det være at disse går på<br />
akkord med hverandre, idet modell<strong>en</strong><br />
viser seg å ha høy karakter på no<strong>en</strong>, m<strong>en</strong><br />
ikke på alle krav<strong>en</strong>e. Vi skal kort gi no<strong>en</strong><br />
eksempler der vi holder vår test opp mot<br />
de andre krav<strong>en</strong>e.<br />
Hovedkriterium nr 1 krever at prognosemodell<strong>en</strong><br />
skal inneholde et teoretisk og<br />
statistisk grunnlag. Det forekommer likevel<br />
fra tid til ann<strong>en</strong> at prognosemodeller<br />
som tilfredsstiller anerkj<strong>en</strong>te teorier for<br />
d<strong>en</strong> utvikling som modell<strong>en</strong>e skal<br />
beskrive og i tillegg de krav til statistisk<br />
signifikans som prognosemetod<strong>en</strong> er basert<br />
på g<strong>en</strong>ererer prognoser som treffer<br />
svært dårlig. Grunn<strong>en</strong> til dette er ofte<br />
uklar, m<strong>en</strong> forklaring<strong>en</strong> søkes i mom<strong>en</strong>ter<br />
som selve teori<strong>en</strong> for tidsrekk<strong>en</strong>s utvikling,<br />
for få data, datakvalitet, m m. I prognosesamm<strong>en</strong>h<strong>en</strong>g<br />
står <strong>en</strong> da overfor det<br />
klassiske dilemma om hvorvidt <strong>en</strong> skal<br />
godta de dårlige prognos<strong>en</strong>e eller <strong>en</strong>dre<br />
modell<strong>en</strong> slik at d<strong>en</strong> g<strong>en</strong>ererer troverdige<br />
prognoser. I praksis vil vi på kort sikt trolig<br />
være tvunget til å godta <strong>en</strong> modell som<br />
ikke tilfredsstiller alle krav til teori og<br />
statistisk signifikans. Samtidig bør vi<br />
likevel på sikt forsøke å rette opp dette<br />
ved at alle sider ved prognosemodell<strong>en</strong><br />
forbedres.<br />
Hovedkriterium nr 2 har vi delvis<br />
behandlet ved at vi har simulert prognosemodell<strong>en</strong>es<br />
historiske treffsikkerhet.<br />
Vi har imidlertid ikke diskutert hvor godt<br />
modell<strong>en</strong>e beskriver d<strong>en</strong> historiske<br />
utvikling. Kravet om god beskrivelse av<br />
d<strong>en</strong> historiske utvikling er ofte nært<br />
knyttet til kriterium nr 1 ov<strong>en</strong>for, idet<br />
d<strong>en</strong> riktig vei til god beskrivelse ligger i<br />
teori for d<strong>en</strong> utvikling som modell<strong>en</strong>e<br />
skal forklare og statistisk signifikans.<br />
Resonnem<strong>en</strong>tet blir derfor svært likt det<br />
som er gjort i avsnittet ov<strong>en</strong>for. En<br />
detaljert gj<strong>en</strong>nomgang av modell<strong>en</strong>s evne<br />
til å beskrive d<strong>en</strong> historiske utvikling vil<br />
også kunne avdekke om treffsikkerhet<strong>en</strong><br />
på tilbakeholdte data skyldes tilfeldigheter<br />
som vi ikke kan regne med i fremtid<strong>en</strong>.<br />
Det tryggeste er å skaffe seg erfaring<br />
med modell<strong>en</strong>es treffsikkerhet, ved at de<br />
får anledning til å g<strong>en</strong>erere prognoser<br />
som s<strong>en</strong>ere blir kontrollert. Selv om <strong>en</strong><br />
modell er d<strong>en</strong> beste målt ved våre testparametere,<br />
vil det over tid være fornuftig<br />
å ha 2<strong>–</strong>3 av de andre modell<strong>en</strong>e til<br />
evaluering parallelt, fordi det kan være at<br />
<strong>en</strong> eller flere av disse da gjør det bedre.<br />
Hovedkriterium nr 3 sier at prognosemodell<strong>en</strong>e<br />
må være tilpasset brukerne av<br />
prognos<strong>en</strong>e, dvs de må gi svar på det vi<br />
ber om prognoser for og være lett å<br />
anv<strong>en</strong>de i forhold til tolkning, antall<br />
prognoser som skal lages, tid til disposisjon,<br />
bruker<strong>en</strong>s kvalifikasjoner m m. Her<br />
skiller metod<strong>en</strong>e seg klart ut. Glattingsmodell<strong>en</strong>e<br />
er svært <strong>en</strong>kle å håndtere<br />
sid<strong>en</strong> modell-likning<strong>en</strong>e er faste. Det<br />
samme gjelder vår versjon av modell<br />
basert på Kalmanfilter. Dette gjør at tidsaspektet<br />
taler til fordel for slike metoder,<br />
spesielt hvis mange ulike prognoser skal<br />
lages. I tillegg er modell<strong>en</strong>e <strong>en</strong>kle å<br />
tolke.<br />
Selv om det ligger et tungt fundam<strong>en</strong>t i<br />
form av teoretisk statistikk bak Kalmanfilter-modell<strong>en</strong>e<br />
har suksess<strong>en</strong> med<br />
d<strong>en</strong>ne metod<strong>en</strong> likevel vært stor inn<strong>en</strong><br />
f eks trafikkprognoser, spesielt når automatisk<br />
deteksjon av nivåskift og outliere<br />
er <strong>en</strong> del av modell<strong>en</strong>.<br />
Modeller basert på Box-J<strong>en</strong>kins metode,<br />
regresjonsanalyse og transfer-modeller er<br />
imidlertid relativt kompliserte, idet de<br />
krever god innsikt i metod<strong>en</strong>e og erfaring<br />
fra modellering. På d<strong>en</strong> ann<strong>en</strong> side gir<br />
gode modeller basert på regresjon og<br />
transfer-modeller større innsikt i hva som<br />
påvirker utvikling<strong>en</strong> i prognosevariabel<strong>en</strong><br />
i form av forklaringsvariable. Slike<br />
modeller gir derfor raskere signaler om<br />
<strong>en</strong>dringer i utvikling<strong>en</strong>.<br />
Et mom<strong>en</strong>t som vi ikke har nevnt er<br />
prognosehorisont<strong>en</strong>. I vår test valgte vi et<br />
år som horisont. Hvis horisont<strong>en</strong> er flere<br />
år inn i fremtid<strong>en</strong> er det g<strong>en</strong>erelt antatt at<br />
modeller med forklaringsvariable vil gi<br />
bedre prognoser <strong>en</strong>n <strong>en</strong>variabel-modell<strong>en</strong>e.<br />
Hvis det skal lages prognoser for<br />
kortere periode <strong>en</strong>n ett år bør <strong>en</strong> se på<br />
hvilke modeller som er mest treffsikre på<br />
de ulike avstander fra siste datapunkt.<br />
Dette kan gjøres ved å b<strong>en</strong>ytte våre test-<br />
parametere på prognoser laget for hhv 1,<br />
2, 3, ..., 12 perioder frem.<br />
133