Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

16 sine Teletorgtjenester. Dette førte dermed til at denne type tjenester ble overført og formidlet fra andre steder som Hong Kong, de nederlandske Antiller og senere også Canada. Figuren viser tellerskrittutviklingen på S12-sentralene i Region Oslo i januar 1991. Det er grunn til å tro at det var en liknende utvikling også i andre sentraler. Det ses at siste onsdag i januar (30 januar) var det kong Olavs begravelse, og at det var en markant nedgang i antall tellerskritt den dagen. Nedgangen var så stor at den også innvirket på antall tellerskritt på månedsbasis. Dette er et eksempel på en unormal begivenhet, og en slik observasjon kalles en outlier. I dataene bør det justeres for slike unormale hendelser for ikke å skape dårligere prognoser. Også sportsbegivenheter påvirker abonnentenes bruk av teletjenester. Trafikkmålinger har vist nedgang i trafikk i takt med spennende sportsbegivenheter. Det ses av figuren at netto-etterspørselen etter telefonabonnement i Region Oslo viste en markant økning de første månedene i 1993 og deretter en brå nedgang. Denne økningen, som var unormal, skyldtes imidlertid at inkassofunksjonen i Region Oslo ikke fungerte etter omorganiseringen. Dermed ble ikke en relativt stor del av abonnentene sagt opp på grunn av manglende betaling, slik som vanlig er hver måned. Dette førte da til at netto-etterspørselen økte markant selv om brutto-etterspørselen var som vanlig. 4.2 Vurdering av data En forutsetning for å få gode underlagsdata er å forstå dataene som det skal lages prognoser for. - Hvordan er dataene generert? - Hva slags system/systemer er dataene hentet ut fra? - Hvem har vært inne i bildet under håndtering av dataene? - Hva beskriver dataene? - Hvilken avhengighetsstruktur finnes mellom ulike variable? Det er først når en arbeider med dataene at en får god forståelse for dataene – noe som er helt nødvendig for å kunne lage gode prognoser. Det er da en lærer om årsakssammenhenger som har betydning og om andre randbetingelser for variasjon i dataene. Registrerte tellerskritt på USA/CND takst i Oslo, Ikke justert for takstendringer 18 000 45 40 35 30 25 20 15 10 5 0 0 jan april aug jan april aug des april aug des april aug des april 7/87 100 80 60 40 20 Figur 4.1 Antall tellerskritt på USA/Canada takst i Region Oslo 0 1/91 7/88 7/89 7/90 7/91 internasjoal nabolok. riks 2 riks 1 kommune Figur 4.2 Prosentvis utvikling av telleskritt på ulike innenlandske takstklasser Samtaleminutter (x 10 000) Figur 4.3 Antall tellerskritt til Hong Kong 1/92 1/93
1.nyttårsdag (x 10 000) 400 350 300 250 200 150 100 50 2500 1500 1000 500 0 Ti O To F L S M Ti O To F L S M Ti O To F L S M Ti O To F L S M Ti O To Figur 4.4 Utviklingen i tellerskritt januar 1991 Antall hovedabonnement Det er alltid hensiktsmessig å benytte en grafisk presentasjon av dataene som et utgangspunkt for bearbeiding og analyse av dataene. Spørsmål som kan stilles, er: - Hvor mye historiske data er tilgjengelig? - Hvor gode/pålitelige er dataene? - Er datene konsistente? - Har det vært definisjonsendringer? - Hva slags oppløsning er det mulig å få (årsdata, månedsdata, ukedata, etc)? - Er det unormale variasjoner i dataene? - Er det spesielle variable som påvirker utviklingen til dataene? Ut fra spørsmålene må det i mange tilfeller gjøres supplerende arbeid for å få Olav Vs begravelse 01/84 06/86 11/88 04/91 09/93 Figur 4.5 Netto-etterspørsel etter telefonabonnement i Region Oslo fra januar 1984 til juni 1993 underlagsdataene på en brukbar presentasjonsform. 4.3 Eksempler på bearbeiding av data Hovedabonnement telefon I [4] er det gitt en detaljert beskrivelse av hvorledes etterspørselsdata for hovedabonnement må oppdeles for å kunne få laget gode prognoser. Her foretas det kun en kort oppsummering. For en del år siden var det kun nødvendig å se på brutto-etterspørsel, som da omtrent var lik netto-etterspørsel siden det var få som sa opp eller fikk sagt opp abonnementet. For de siste årene har denne utviklingen endret seg markant. Figur 4.6 viser utviklingen i antall oppsigelser. Det ses av figuren at antall oppsigelser nærmest har øket med 200 %. Denne økningen skjedde svært brått i 1988. Ser vi på de siste årene er antall oppsigelser omlag tre ganger så mange som netto-etterspørsel. Det betyr at brutto-etterspørsel, som er summen av netto-etterspørsel og antall oppsigelser, er om lag fire ganger så stor som nettoetterspørselen. Det ses også at det i noen måneder er en negativ netto-etterspørsel. Status for antall innkoplede abonnement fordelt på abonnementstyper finnes i TELSIS/AB Rapport 35. Den totale etterspørsel er imidlertid gitt ved: - antall installerte abonnement + antall ueffektuerte nybestillinger - antall ueffektuerte oppsigelser + antall effektuerte tilflyttinger - antall ueffektuerte fraflyttinger + antall effektuerte ikke oppdaterte nybestillinger - antall effektuerte ikke oppdaterte oppsigelser + antall effektuerte ikke oppdaterte tilflyttinger - antall effektuerte ikke oppdaterte fraflyttinger = Total etterspørsel etter abonnement I dette systemet med effektueringer kan det skje opphopninger som da vil påvirke den totale etterspørselen. Det er derfor viktig å ha oversikt over hvordan etterspørselsdataene framkommer og likeledes benytte definisjoner som forhindrer at store bevegelser i dataene kan skjules. I måned 7 1988 og i måned 3 1990 har det vært definisjonsendringer i TELSIS som har gjort det nødvendig å justere dataene. Når det gjelder oppsigelser, så har det også vært nødvendig å skille antall oppsigelser i antall oppsigelser fra abonnent og antall oppsigelser fra Televerket grunnet manglende betaling (inkassofunksjon). Figur 4.7 viser utviklingen av disse kurvene. Det ses at antall oppsigelser grunnet manglende betaling har et meget stort omfang. Dersom Televerket over en periode ikke håndhever denne funksjonen, vil det på grunn av opphopning kunne føre til en negativ nettoetterspørsel. Når det skal lages prognoser, bør det, så fremt det er mulig, justeres for en slik utvikling. 17
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: observasjoner, fordi det er en ny t
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 130 and 131:
Page 132 and 133:
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 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

Create successful ePaper yourself

Delete template?

Save as template?