Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

% samtaler 100 20 90 80 70 60 50 40 30 20 10 50 100 150 200 250 300 350 400 450 500 550 600 samtaletid i sekunder Figur 4.10 Estimert akkumulert holdetidsfordeling for kommunetakst I tilknytning til veksten i en tidsrekke er det en rekke faktorer som spiller inn. Faktorer som har betydning, er: - Sesongkomponenter - Ulike former for trender - Tilfeldige variasjoner - Outliere (unormale observasjoner) - Nivåskift (hopp i tidsrekken) - Andre spesielle endringer. Det er viktig å kjenne til de ulike faktorene og kunne identifisere hvilke faktorer som er til stede i ulike tidsrekker. Først da har vi mulighet til å modellere tidsrekken på en profesjonell måte. Vi ser ofte utviklingen beskrevet ved ulike tidsrekker og da særlig som tilveksten ved hver observasjon eller som det aggregerte tallet ved hver observasjon. Et eksempel her er årlig etterspørsel etter en tjeneste. Her kan tidsrekken enten framstilles som den årlige tilveksten eller som det akkumulerte volumet. Når det gjelder å beskrive et problem, kan det også være flere angrepsmåter der ulike tidsrekker benyttes. Dette kommer vi tilbake til både under eksemplene i dette kapittelet og senere. 5.2 Eksempler på tidsrekker Det vil nå bli gitt eksempler på ulike typer tidsrekker for å gi en bedre forståelse og gjerne grunnlag for en bedre strukturert tankegang i tilknytning til tidsrekker og prognostisering. En tidsrekke som forteller om kostnadsutviklingen i Norge er konsumprisindeksen. Indeksen er basert på at beregningen av kostnader for kjøp av et representativt utvalg av “produkter”, det vil si mat, klær, bensin, etc, hver måned. Denne Indeks 200 180 160 140 120 angir da hvor mye dyrere det er én måned i forhold til en annen. I mange prognosemodeller brukes konsumprisindeksen som en forklaringsvariabel. Det betyr at denne indeksen er med på å forklare utviklingen i det vi skal prognostisere. Et eksempel kan være etterspørselen etter en tjeneste eller et produkt. Vi kjenner de framtidige takstene eller prisene på dette produktet. Dermed kan disse takstene eller prisene brukes som forklaringsvariabel. For å få satt takstene/prisene inn i en mer reell sammenheng kan det imidlertid være lurt å dividere med konsumprisindeksen. Den faktoren som da kommer fram forteller reelt sett om takstene er dyrere de kommende måneder i forhold til nå, og dette vil åpenbart ha betydning for den framtidige etterspørsel etter produktet. Derfor er konsumprisindeksen en meget viktig størrelse. La oss nå se på hvorledes konsumprisindeksen har utviklet seg i løpet av 80årene. I figur 5.1 er konsumprisindeksen tegnet inn fra januar 1980 til desember 1988. I 1979 ble indeksen normert slik at 1988 1987 1986 1985 1984 1983 1982 1981 1980 100 1 2 3 4 5 6 7 8 9 10 11 12 Figur 5.1 Konsumprisindeks 1980–1988. Månedlig utvikling Måned gjennomsnittlig indeks dette året var 100. I januar 1980 var indeksen 104.0. Av figuren ser vi at konsumprisindeksen er jevnt stigende. Det er noe sesongbetoning i utviklingen. Med det menes at det er samme mønster i utviklingen samme måned i ulike år. Dette kommer nok best fram i det hoppet som kan registreres fra desember til januar hvert år. For øvrig kan det legges merke til at det er stagnasjon i veksten, stort sett, fra juli til august hvert år. Vi ser også at i 1986 øker konsumprisindeksen kraftig og da særlig fra mai måned. Generelt er det en meget jevn utvikling i tidsrekken. Når det gjelder framstilling av en tidsrekke med sesongvariasjoner, er det to muligheter: enten å framstille hele tidsrekken i ett, eller slik som vist på figur 5.1. I mange tilfeller vil en framstillingsform som i figur 5.1 lettere vise sesongvariasjonene. Figur 5.2 viser den årlige utviklingen av konsumprisindeksen. Vi ser at den stiger jevnt. Det er en tendens til at den flater
Indeks 220 200 180 160 140 120 100 300 250 200 150 100 50 0 -50 100 79 80 81 82 83 84 85 86 87 År 88 Figur 5.2 Konsumprisindeks 1980–1988. Årlig utvikling 2.kv/87 1.kv/88 1.kv/89 1.kv/90 Nybestillinger Oppsagte Tilvekst Figur 5.4 Etterspørsel etter datexabonnement – tilvekst, nybestillinger og antall oppsagte noe ut i 1982 –1984, mens den i 1987 og 1988 har steget kraftig. Dersom vi skulle lage prognoser og hadde både månedlige og årlige data, ville det være gunstig å utnytte den informasjon som ligger i de månedlige dataene i prognosene. I figur 5.3 er den årlige utviklingen av etterspørsel etter teleksabonnement vist. Vi ser av figuren at det er en jevn stigning fram til 1986, deretter avtar tidsrekken. Dette er en meget interessant tidsrekke. Tidsrekken angir et “turning point”. Dette vil alltid være en utfordring for de som lager prognoser. I de fleste tilfeller vil det ikke være nok å se på utviklingen av selve tidsrekken for å kunne prog- Antall teleksabonnement nostisere slike markante endringer. Dette kan ligge i årsakssammenhenger som må modelleres inn i selve prognosemodellen. I dette tilfellet vet vi hva som er årsaken til denne utviklingen. Det skyldes en konkurrerende tjeneste: telefaks. Denne tjenesten har tatt en del av markedet til teleks, og denne utviklingen har av de som lager prognoser vært forutsett i lang tid. Vi ser av figuren at det ikke bare er veksten i antall abonnement som avtar. Siden figuren angir totalt antall abonnement, ser vi at fra 1986 har vi nedgang i det totale antall abonnement. Det betyr at vi har en negativ etterspørsel, hvilket vil si at vi har avgang av teleks-abonnenter. 70 72 74 76 78 80 82 84 86 88 År Figur 5.3 Etterspørsel etter teleksabonnement. Akkumulert antall abonnement, hele Norge Når det skal lages prognoser videre her, er vi i en vanskelig situasjon. Det må da legges inn modellforutsetninger om hvorledes telefaks, og på sikt andre tjenester som EDI, vil ta over markedet og eventuelt hvilke markedsandeler som ikke vil gå over til de substituerende tjenestene. Figur 5.4 viser etterspørselen etter datexabonnement for Region Oslo fra 1987 til 3. kvartal 1990. Dette er et eksempel på en tidsrekke som er sesongbetont med kvartalsvise observasjoner. Det ses at etterspørselen er avtagende – og ikke nok med det – den er også negativ. Det betyr, som vi ser, at Region Oslo etter 1988 stort sett har hatt en avgang i totalt antall abonnement. I figuren er det også tegnet inn antall nybestillinger hvert kvartal og antall oppsagte abonnement hvert kvartal. Det er interessant å legge merke til at antallet nybestillinger holder seg på samme nivå over hele perioden. Dette er ikke usedvanlig. Det som imidlertid har skjedd med oppsagte abonnement er mer uvanlig. Fra å ligge på et forholdsvis lavt nivå i 1987 og 1988, øker så antall oppsagte abonnement kraftig i 1989 og 1990. Det er dette som er årsaken til den markante nedgangen i tilveksten som i denne perioden faktisk er negativ. Dette skyldes en rekke faktorer. Når det gjelder datexabonnement, er det mange kunder som bestiller høyere hastighet. I tillegg har det vært økonomiske nedgangstider, 21
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: 20 dere med antall abonnenter. niv
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

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

Delete template?

Save as template?