Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

142 prognosen. Da “beskjæres” de enkelte kommuneprognosene etter hvilke kommuner som har den høyeste årlige etterspørsel: Den kommunen som har den høyeste årlige etterspørselen blir justert mest ned, den kommunen som har nest høyest etterspørsel blir justert nest mest ned, osv. Det omvendte skjer om sum av alle kommuneprognosene skulle bli lavere enn regionsprognosen: Da “løftes” de enkelte kommuneprognosene også etter hvilken kommune som har den høyeste årlige etterspørsel. Det foretas m a o en proratisk fordeling av differansen mellom regionsprognosen og summen av de underliggende kommuners prognoser. Dette slik at etterspørselen i ett gitt år, for en vilkårlig kommune, framkommer ved: (19) hvor KPi = Konsistent kommuneprognose, kommune i = Modellprognose, kommune i RP = Regionsprognose KP * ∆KP * i ⎛ * ⎞ KP = KP + ⋅ i * ⎜ RP − ∑ KP i ⎟ ∑ ∆KP ⎝ i ⎠ i i * i ∆ = Årlig vekst Σ = Sum En slik enkel regel er selvfølgelig ikke “riktig” i alle tilfeller, men har f eks vist seg å fungere bedre enn å rangere justeringen etter total etterspørsel: Da vil store kommuner med liten årlig etterspørsel risikere å bli justert ned til negativ netto etterspørsel. Se for øvrig [5] som forklarer nedbryting fra teledistrikt til teleområder i Televerkets gamle organisasjon. En annen mulig konsistens-regel kunne være å la den kommunen som har modell med størst usikkerhet i prognosene bære den største andelen av differansen mellom sum kommuneprognoser og regionsprognosen, osv. Dette er en mye brukt metode når det skal lages prognoser for store trafikkmatriser, se f eks [4]. I tillegg til bruk av vekstmodeller sammenholdes statistikker og annen relevant informasjon på kommunenivå for eventuelle korreksjoner av modellframskrivningene. Dette går vi ikke inn på her. 4 Sentralprognosene Når sentralprognosene skal utarbeides, tar vi i utgangspunktet fatt i dette (laveste) geografiske nivå “uavhengig” av de ovenfor nevnte prognoser. Når så prognosene er utarbeidet for hvert område individuelt, konsistentgjøres disse med kommuneprognosene, dvs sum sentralprognoser innen en kommune = kommuneprognosen. Dette foregår på samme måte som når kommuneprognosene konsistentgjøres med regionsprognosen: I det tilfellet at sum av sentralområdeprognosene innen en kommune er høyere enn kommuneprognosen (dvs den konsistente kommuneprognosen, ref det som er sagt om dette i kapittel 3 ) “beskjæres” sentralområdeprognosene etter hvilket sentralområde som har den høyeste årlige vekst, dvs det sentralområdet som har den høyeste (årlige) etterspørselen blir justert mest ned, det sentralområde som har nest høyest (årlig) etterspørsel blir justert nest mest ned, osv. I vårt eksempel skal vi se på utarbeiding av sentralprognoser på årsdata for TAT. Månedsdata, eventuelt kvartalsdata, kan i prinsippet også benyttes som grunnlag for prognoser på dette nivå. Imidlertid har disse vært ansett som usikre, og månedlig nummerlånsstatistikk (se [1]) har ikke vært tilgjengelig før i 1991. Dessuten blir det svært mye data å holde styr på. I prinsippet kan en tenke seg en tilsvarende oppsplitting på bolig- og forretningsabonnement som på regions- og kommunenivå. Slike data har imidlertid ikke vært tilgjengelig før inntil for kort tid siden. I Region Oslo var det heller ikke foretatt noen “teoretisk” oppsplitting på brukskategori på sentralområdenivå da disse prognosene ble laget. Dette er imidlertid en mulig vei til forbedret underlag for prognosene. Før framskrivningene finner sted er selvfølgelig de historiske årsdata bearbeidet, slik at hver sentrals historikk består av “rene” sentralgrenser og er korrigert for grensejusteringer. Dette er omtalt i [1]. Selve prognosene lages i dag på bakgrunn av Kalmanfiltermodeller, se [7]. Det vil her føre for langt å referere fra disse modellene. Vi skal imidlertid se på hvordan de på en enklere måte ble utarbeidet før slike modeller ble tatt i bruk. Da ble prognosene laget delvis på bakgrunnn av gjennomsnittsbetraktninger over historisk vekst og delvis på bakgrunn av lokal kjennskap og antakelser om utviklingen i hvert enkelt sentralområde. Markedskunnskap på sentralområdenivå er her spesielt viktig i prosessen fram til de endelige sentralområdeprognosene, fordi utviklingen innen hvert enkelt sentralområde ofte foregår ujevnt: Den generelle trendutvikling blir ofte forstyrret av utsatte/omgjorte byggeplaner, store kunder med mange abonnement som flytter eller “rydder opp” i sine abonnement, etc. For å klargjøre prinsippene i denne måten å utarbeide prognosene på, skal vi ta utgangspunkt i situasjonen før prognosene for perioden 1990–2000 skulle utarbeides. Vi går altså ett år tilbake i tid i forhold til de eksemplene som er gitt på regions- og kommunenivå ovenfor. Dette fordi vi på dette tidspunkt faktisk utarbeidet prognosene på denne måten i Region Oslo. Det vil føre for langt å skulle gjennomgå alle sentralområder i regionen. Vi tar derfor utgangspunkt i ett sentralområde, Holmlia sentralområde. Behandlingen av alle andre sentralområder følger samme mønster. Tabell 10 viser de historiske data for total og årlig etterspørsel etter TAT og for Holmlia sentralområde i perioden 1982–1989. Som vi ser har utviklingen i Holmlia sentralområde vært noe ujevn, med variasjon i årlig vekst fra høye 2880 i 1984 til lave 558 i 1989. Tar vi snittet av den årlige vekst over dataperioden gir det følgende resultat: 628 + 2880 +1454 +1185 +1637 + 812 + 558 7 =1307,7 (20) Hvis prognosen utelukkende skulle baseres på gjennomsnittet av historikken for den årlige vekst, ble altså prognosen 1308 TAT pr år. Studerer vi den årlige etterspørsel år for år ser vi imidlertid at dette må være altfor høyt: Den årlige etterspørselen etter TAT i Holmlia sentralområde har (med unntak av 1987) avtatt hvert år siden toppen i 1984. Hvis 4 Dette skyldes at hver kommuneprognose har en usikkerhet. Når alle kommuneprognosene summeres opp, summeres derfor også denne usikkerheten.
denne utviklingen fortsetter, skal prognosen for 1990 i hvert fall ikke være høyere enn 558, og de derpå følgende år skal muligens ha en lavere årlig etterspørsel5 . Med bakgrunn i den informasjon som kom fram i diskusjonen i avsnittet ovenfor og lokal kunnskap om sentralområdet, ble derfor prognosene justert ned slik at etterspørselen for 1990 ble satt lavere enn det historiske snitt tilsier. Den årlige etterspørselen for resten av prognoseperioden ble også manuelt justert til å være avtakende i forhold til 1990prognosen. I den videre prosessen ble sentralområdet avstemt mot prognosen for Oslo kommune, slik at sum teleområdeprognoser = kommuneprognosen. Prinsippene for utarbeidingen av prognosen for Holmlia sentralområde er vist i figur 6. Figur 6 viser historikk for total etterspørsel etter TAT i perioden 1982– 1989. For perioden 1990–2000 viser figuren tre mulige prognoser: 1 “Snitt-prognose” er en framskrivning på bakgrunn av snitt-veksten i historiske data, slik som nevnt ovenfor. Dette gir den høyeste prognosen. 2 “Manuell prognose” er således en manuell korrigering av “Snitt-prognose”, gjort på bakgrunn av kjennskap til/antakelser om markedsforholdene i sentralområdet, ref det som er sagt ovenfor. 3 Den siste prognosen er benevnt “Konsistent prognose”, og dette er resultatet etter at “Manuell prognose” er avstemt mot kommuneprognosen for Oslo kommune. Som figur 6 viser, er det et klart avvik mellom snitt-framskrivningen og den manuelle framskrivning. På grunn av den sterke historiske veksten i dette sentralområdet, som for øvrig er et typisk boligområde som er relativt nytt, sender et 5 Dette er for øvrig i samsvar med teorien om at abonnementsetterspørselen kan beskrives ved en logistisk modell. 6 En prognosemetode som ligger nært opp til dette er enkel regresjon med tiden som eneste forklaringsfaktor. 7 Det er bare Divisjon Personmarked som har denne inndelingen. snitt av årlig vekst prognosene “rett inn i himmelen”. Dette tror vi selvsagt ikke på, og den manuelle prognosen anslår utviklingen slik vi tror den vil bli. Deretter lar vi kommuneprognosen være bestemmende for den endelige utforming av områdets utvikling, dvs det er den konsistente prognosen som gir det endelige prognoseforslag. Eksemplet fra Holmlia sentralområde viser klart at metoder basert på ren snittvekst 6 vil være lite egnet i mange tilfeller. Et sentralområde som Holmlia, som har vært under sterk utbygging, men hvor veksten har avtatt, får en svært uheldig framskrivning. En metode som legger mer vekt på de siste observasjoner enn på de tidligere, vil derfor være ønskelig. 5 Andre geografiske inndelinger Vi har ovenfor gitt eksempler fra utarbeiding av regions-, kommune- og sentralområdeprognoser. I Televerkets nye organisasjon er det også opprettet såkalte teledistrikter innen hver region7 . Siden vi har sikret oss konsistens mellom region, kommune og sentralområder kan derfor alle sentralprognosene innen et teledistrikt summeres til et valgt teledistrikts prognose. Sum av prognosene for teledistriktene i Region Oslo blir dermed lik prognosen for regionen totalt. Det er selvfølgelig fullt mulig å utarbeide teledistriktsprognosene før sentralområdeprognosene og deretter sørge for konsistens mellom disse. Siden Oslo kommune er delt mellom flere av regionens teledistrikter, har vi imidlertid valgt å gå den andre veien; kommunene utgjør med sin befolkningsstatistikk et viktig hjelpenivå. For regioner og teledistrikt hvor kommuner ikke er delt mellom flere teleområder, kan 30 altså forslaget være å gå veien om teledistriktsprognosene før sentral- 25 områdeprognosene utarbeides. 20 Referanser 1 Hjelkrem, C, Bøe, J. Underlag for prognoser for telefonabonnement: data og analyse. Telektronikk 90(1), 65–75, 1994 (denne utgave). 2 Stewart, M B, Wallis, K F. Introductory econometrics, 2nd edition. Oxford, Blackwell, 1981. 3 Blindheim, E, Rygg, M. En modell for å utarbeide prognoser for nye teletjenester. Kjeller, Televerkets Forskningsinstitutt, 1982. (TF-Rapport 13/82.) 4 Stordahl, K, Holden, L. Traffic forecasting models based on top down and bottom up models. Kyoto, 1985. (ITC 11.) 5 ØSP. Prognoser for etterspørsel etter hovedabonnement for telefon. Oslo, Prognosekontoret Teledirektoratet, 1987. 6 Bøe, J, Hjelkrem, C. Utarbeiding av prognoser for etterspørsel etter telefonabonnement i Oslo teledistrikt. Telektronikk 87(1), 93–109, 1991. Tabell 10 Total og årlig etterspørsel etter TAT for Holmlia sentralområde År Total Årlig etterspørsel etterspørsel 1982 1548 1983 2176 628 1984 5056 2880 1985 6510 1454 1986 7695 1185 1987 9332 1637 1988 10144 812 1989 10702 558 Totalt antall tilknytninger (x 1000) 15 10 5 0 Snitt-prognose Manuell prognose Konsistent prognose 1982 1986 1990 1994 1998 Figur 6 Total etterspørsel etter TAT. Holmlia sentralområde 143
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 102 and 103: 102 16 Bøe, J, Stordahl, K. Teller
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 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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?