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.
1 og ved t med (1 - b) og summerer dette<br />
med d<strong>en</strong> tidligere glattede verdi som<br />
multipliseres med b. Dette gir da følg<strong>en</strong>de<br />
uttrykk:<br />
ˆ β t+1 =(1 − b)( ˆµ t+1 − ˆµ t )+ b ˆ β t<br />
(10.7)<br />
Figur 10.3 illustrerer prinsipp<strong>en</strong>e i Holts<br />
modeller. Figur<strong>en</strong> viser hva som skjer<br />
med oppdatering<strong>en</strong> av parametr<strong>en</strong>e når vi<br />
er i tidspunkt t i figur<strong>en</strong> og mottar <strong>en</strong> ny<br />
observasjon y ved tidspunkt t + 1. Vi ser<br />
at d<strong>en</strong> observasjon<strong>en</strong> ligger høyere <strong>en</strong>n<br />
prediksjon<strong>en</strong> av nivået og stigning<strong>en</strong>. Det<br />
nye estimerte nivået ved tidspunkt t + 1<br />
blir da ligg<strong>en</strong>de mellom d<strong>en</strong> nye observasjon<strong>en</strong><br />
og det predikerte nivået. I<br />
eksemplet i figur<strong>en</strong> har vi valgt a = 0,5,<br />
slik at det estimerte nye nivået blir ligg<strong>en</strong>de<br />
midt mellom de to nevnte punkter.<br />
Likning<strong>en</strong>e (10.6) og (10.7) er basert på<br />
rekursive beregninger. Problemet er at<br />
for å starte opp prosess<strong>en</strong> og samtidig<br />
utnytte alle observasjon<strong>en</strong>e, er det nødv<strong>en</strong>dig<br />
med no<strong>en</strong> startverdier. Måter å<br />
gjøre dette på er <strong>en</strong>t<strong>en</strong> å b<strong>en</strong>ytte no<strong>en</strong><br />
godt valgte subjektive verdier, eller å<br />
bruke regresjonsanalyse for å finne verdi<strong>en</strong>e<br />
eller å foreta backcasting som betyr<br />
at det lages prognoser omv<strong>en</strong>dt vei på<br />
tidsrekk<strong>en</strong>. Ved å b<strong>en</strong>ytte <strong>en</strong> av disse<br />
metod<strong>en</strong>e finnes så startverdi<strong>en</strong>e for de<br />
rekursive beregning<strong>en</strong>e.<br />
Anta at vi kj<strong>en</strong>ner observasjoner fram til<br />
tidspunkt n. En prognose k tids<strong>en</strong>heter<br />
framover vil da være gitt som summ<strong>en</strong> av<br />
det nivået som vi har funnet ved tidspunkt<br />
n og k multiplisert med d<strong>en</strong> siste<br />
stigningskoeffisi<strong>en</strong>t<strong>en</strong> (ved tidspunkt n)<br />
som vi har beregnet. Det betyr at<br />
prognos<strong>en</strong> blir gitt i form av <strong>en</strong> lineær<br />
framskrivning.<br />
10.3 Holt-Winters metode<br />
Holt-Winters metode er som navnet<br />
indikerer <strong>en</strong> utvidelse av Holts metode<br />
basert på de samme prinsipper [26]. Forskjell<strong>en</strong><br />
er at d<strong>en</strong>ne metod<strong>en</strong> også modellerer<br />
sesongmessige svingninger. Det er<br />
her to hovedmodelltyper.<br />
Additiv modell<br />
D<strong>en</strong> additive modell<strong>en</strong> forutsetter at<br />
sesongutslag<strong>en</strong>e ikke påvirkes av nivået<br />
på tidsrekk<strong>en</strong>. Med andre ord: hvis etterspørsel<strong>en</strong><br />
som reflekteres av tidsrekk<strong>en</strong><br />
over <strong>en</strong> periode har øket eksempelvis til<br />
det dobbelte, forutsettes det at de sesongmessige<br />
utslag<strong>en</strong>e ikke påvirkes av d<strong>en</strong>ne<br />
økning<strong>en</strong>, m<strong>en</strong> at virkning<strong>en</strong> av sesongutslag<strong>en</strong>e<br />
kan adderes inn i modell<strong>en</strong>.<br />
D<strong>en</strong> additive modell<strong>en</strong> uttrykkes ved:<br />
ˆy t+1 = ˆµ t + ˆ β t + ˆ S t<br />
Her har vi følg<strong>en</strong>de størrelser:<br />
- Nivået, µ<br />
- Stigning<strong>en</strong>, β<br />
- Sesongutslaget, S.<br />
(10.8)<br />
Multiplikativ modell<br />
Dersom det er grunn til å tro at sesongutslag<strong>en</strong>e<br />
vil øke etter hvert som observasjon<strong>en</strong>e<br />
øker i verdi, skal d<strong>en</strong> multiplikative<br />
modell<strong>en</strong> brukes. I svært mange tilfeller<br />
er det grunn til å tro at dette er<br />
riktig. D<strong>en</strong> multiplikative modell<strong>en</strong> er<br />
gitt ved:<br />
y t+1 =( ˆµ t + ˆ β t ) ˆ S t<br />
(10.9)<br />
Vi ser av likning<strong>en</strong> at vi får <strong>en</strong> multiplikativ<br />
effekt av sesongutslag<strong>en</strong>e.<br />
Med h<strong>en</strong>syn til valg mellom d<strong>en</strong> additive<br />
og d<strong>en</strong> multiplikative modell, vil det også<br />
være mulig å b<strong>en</strong>ytte d<strong>en</strong> additive modell<br />
dersom observasjon<strong>en</strong>e transformeres,<br />
for eksempel ved bruk av <strong>en</strong> logaritmisk<br />
transformasjon, slik som vist i kapittel 7.<br />
I modell<strong>en</strong>e vil det være et gitt sesongutslag<br />
for hvert tidspunkt i sesongperiod<strong>en</strong>.<br />
Dersom vi har månedlige observasjoner,<br />
vil vi ha 12 distinkte sesongkompon<strong>en</strong>ter<br />
som rekursivt oppdateres etter hvert som<br />
vi får inn månedlige observasjoner. Det<br />
introduseres imidlertid kun <strong>en</strong> ny glattingsparameter<br />
c som vil gjelde for samt-<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
0<br />
lige sesongutslag. Når vi får inn eksempelvis<br />
<strong>en</strong> ny mars-observasjon, vil vi veie<br />
dette utslaget og samtidig det tidligere<br />
glattede mars-utslaget. Dermed får vi et<br />
nytt oppdatert mars-utslag. Det samme<br />
gjøres for alle måneder etter hvert som<br />
nye observasjoner kommer inn.<br />
Analogt oppdateres nivået og stigning<strong>en</strong><br />
til tidsrekk<strong>en</strong>. Forml<strong>en</strong>e blir noe utvidet i<br />
forhold likning<strong>en</strong>e (10.6) og (10.7). I tillegg<br />
er det <strong>en</strong> randbetingelse om at<br />
summ<strong>en</strong> av sesongutslag<strong>en</strong>e i d<strong>en</strong> additive<br />
modell<strong>en</strong> tilnærmet skal være lik 0,<br />
og at multiplikasjon<strong>en</strong> av sesongutslag<strong>en</strong>e<br />
i d<strong>en</strong> multiplikative modell<strong>en</strong> tilnærmet<br />
skal være lik 1.<br />
Beregning av optimale verdier på glattingsparametr<strong>en</strong>e<br />
a, b og c gjøres ved<br />
bruk av <strong>en</strong> ikke-lineær optimeringsmetode.<br />
Ikke alle programpakker har d<strong>en</strong>ne<br />
mulighet<strong>en</strong>. Televerket har <strong>en</strong> eg<strong>en</strong>utviklet<br />
programpakke med prognosemetoder<br />
som har d<strong>en</strong>ne mulighet<strong>en</strong>.<br />
På samme måte som i Holts modeller kan<br />
nå nivået, stigning<strong>en</strong> og tilhør<strong>en</strong>de<br />
sesongkompon<strong>en</strong>ter ved siste observerte<br />
tidspunkt n beregnes. Deretter lages<br />
prognoser for framtidige tidspunkter basert<br />
på de beregnede størrelser.<br />
11 Tidsrekkemodeller<br />
De tidsrekkemodeller som omtales her<br />
kalles ARIMA-modeller, som står for<br />
AutoRegressive Integrated Moving<br />
Average modeller (på norsk: autoregress-<br />
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39<br />
Figur 10.2 Eksempel på vekter i <strong>en</strong> ekspon<strong>en</strong>tiell glattingsmodell a = 0,9<br />
41