Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

150 a) (x1000) 45 35 25 15 5 (x1000) 25 20 15 10 5 0 b) (x10 000) 40 30 20 10 0 c) 1. nyttårsdag (x1000) 40 30 20 10 0 d) VM på ski Olav Vs begravelse Olav Vs begravelse Olav Vs begravelse Vinterferie Det er mulig å kunne avlese antall påløpte tellerskritt for hver dag som går. Dette gir oss en mulighet for å kunne finne ut hvor mye helligdager, lørdag, søndager og inneklemte dager skal telle/veie i forhold til en vanlig “arbeidsdag”. Generelt kan man si at vektene på de forskjellige dager i året er basert på faktiske målinger. Disse målingene viser at: Vekt 0,3 Lørdag/søndag har vekt 0,3 (det er kun disse dagene som har redusert takst) 0,2 – ,07 Helligdager, offentlige fridager og inneklemte dager måles spesielt 1 Resten Dette er en betraktning som kun vil gjelde Region Oslo, men den kan antakelig brukes av andre også. Å bruke vektene her vil tross alt være bedre enn om vi ikke tar hensyn til slike variasjoner. Slike vekter er forskjellige fra sentral til sentral, fra kommune til kommune og dermed fra region til region ettersom vektene er avhengige av hvilken fordeling det er mellom bolig- og forretningsabonnement og takststruktur. Figurene 5a, b, c og d viser en typisk forretningssentral og en typisk boligsentral. Fellestrekkene er at det påløper vesentlig flere tellerskritt mandag til fredag enn lørdag og søndag , samt at tallserien er svært stabil. Forskjellen er at forretningssentralen ikke har nevneverdig aktivitet lørdag og søndag, mens boligsentralen derimot har betydelig aktivitet. Det kan nesten se ut til at boligsentralen er mer aktiv på lørdag og søndag enn ellers, da tatt i betraktning reduserte priser. (x100) Figur 5 a–d Figur 6 25 20 15 10 5 0 1/1989 1/1990 1/1991 1/1992 1/1993 Figur 5a, b, c og d viser dagsmålinger for januar og februar 1991 for en boligsentral og en forretningssentral. Som en kuriositet kan vi se effekten av kong Olavs begravelse i slutten av januar samt effekten av VM på ski 1991 og vinterferien for skolene. For å understreke hvor viktig slike justeringer er, er det bare å trekke fram påske og pinse som veksler mellom henholdsvis mars/april og mai/juni. Ved å korrigere for antall virkedager vil slike effekter nesten elimineres og de rene sesongvariasjonene kommer bedre fram. Figur 6 viser dette tydelig. Figur 6 viser registrerte data før eventuelle justeringer. Figur 7a og b viser volum tellerskritt/ abonnement/dag slik at sesongutslagene avtegnes som et tydelig mønster som gjentar seg år for år. 4.2 Resultat av alle justeringer Det ses ut fra de grafiske kurvene i figur 7a og 7b at alle data har falt på plass i et riktig mønster i forhold til hverandre. Sesongmønsteret er relativt likt for hvert år og kommer tydelig fram. Det som nå gjenstår er å lage ett/flere prognosealternativ på bakgrunn av denne tidsserien. Det må her nevnes at volum tellerskritt ikke må oppfattes som endelige (de er derfor ikke uforanderlige). Det vil som regel være en kontinuerlig oppfølging av volumberegningene (justeringene). En slik oppfølging vil bli foretatt hver gang det er endringer i tellerskrittsintervallet for en takstklasse. 5 Tellerskrittsprognoser, valg av metode Det må gjøres oppmerksom på at tallmaterialet i artikkelen ikke er offisielle tall og representerer ikke Region Oslo. Hensikten med kapittelet har vært å kunne skissere en framgangsmåte og ikke beskrive Region Oslos prognoser og grunnlagsmateriale for produksjon av prognoser for tellerskritt. Det må også nevnes at slike prognoser er benyttet som et hjelpemiddel i inntektsprognosene for regionen på totalnivå samt som grunnlag for oppsplitting på divisjoner.
Tabell 7 Hva 100 samtaler på Fjerntakst koster avhengig av hvilket tellerskrittsintervall det til enhver tid er Periode 01.01.89 – 01.09.89 – 01.01.90 – 01.07.90 – 01.01.91 – 01.01.92 – 01.01.93 – 31.08.89 31.12.89 30.06.90 31.12.90 31.12.91 31.12.92 30.06.93 Tellerskrittsintervall 22,5 22,5 27,7 36 36 40 40 Tellerskritt 962 962 782 605 605 549 549 549/962 549/962 549/782 549/605 549/605 549/549 549/549 Indeks 0,57069 0,57069 0,70205 0,90744 0,90744 1,0 1,0 5.1 Aktuelle prognoser Målsettingen med dette arbeidet har vært å få bedre oversikt over inntektsutviklingen fra tellerskrittene. Det er derfor utviklet prognosemodeller som produserer prognoser på månedsbasis. Disse gir grunnlag for - å lage prognoser for neste års budsjett - å kunne monitorere månedlig utvikling av tellerskritt og inntekter - å lage månedlige prognoser for resten av budsjettperioden - å lage periodisert inntektsbudsjett - å lage prognoser for langtidsbudsjettet (neste fem-års periode). Når det gjelder å estimere effekten av nedsatte takster, er dette svært vanskelig. Dette skyldes blant annet abonnentenes oppfatning av endringene i takststrukturen. 5.2 Modell og grunnlagsdata benyttet i arbeid med korttidsprognoser for tellerskritt De prognosemodeller/metoder som det er aktuelt å bruke, er: - Regresjonsmodell med sesongkomponenter - ARIMA-modeller - Transferfunksjonsmodeller - Holt-Winters metode - Kalmanfilter. Vi velger her å benytte Kalmanfiltermodellen, fordi - modellen er enkel å bruke - den gir stabil god kvalitet på prognosene - den takler såkalt “outlier” observasjoner. Grunnlagsdata for korttidsprognoser Tidligere i artikkelen ble det etter en nøysommelig prosess definert en tidsserie som vi skulle bruke som grunnlagsdata i forbindelse med å utarbeide prognoser for tellerskritt. Vi skal nå benytte oss av det grunnlaget som er presentert tidligere i tabellform til å lage prognoser for det område (de sentraler) som er valgt. (x1000) 25 20 15 10 5 5.3 Prognoser basert på Kalmanfiltermodellen Kalmanfiltermodellen er meget avansert, som tidligere beskrevet i innledningsartikkel. Modellen har en del funksjoner som kan/bør utnyttes, dog ikke ukritisk. Dette er bl a nivåskift, som vi kan spesifisere tidspunkt på eller modellen kan søke etter og estimere nivåskiftet automatisk. I tillegg estimerer modellen såkalte “outliers” ved å angi disse på samme måte som ved nivåskift. “Outliers” er observasjoner som ligger utenfor 0 1/1989 1/1990 1/1991 1/1992 1/1993 20 18 16 14 12 10 volum avanserte Figur 7 a Jan Feb Mars Apr Mai Juni Juli Aug Sep Okt Nov Des Figur 7 b 1989 1990 1991 1992 1993 151
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 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 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?