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.
i etterspørsel<strong>en</strong> i påfølg<strong>en</strong>de måneder<br />
samme år. Ved å kombinere disse<br />
avh<strong>en</strong>gighetsstruktur<strong>en</strong>e får vi sesongmodell<strong>en</strong>e.<br />
Likning<strong>en</strong> for modell<strong>en</strong>e<br />
settes ikke opp her.<br />
11.5 Ikke-stasjonære modeller<br />
De modeller som hittil er satt opp, kan<br />
b<strong>en</strong>yttes på tidsrekker som er stasjonære<br />
<strong>–</strong> det vil si tidsrekker som fluktuerer<br />
rundt <strong>en</strong> fast gj<strong>en</strong>nomsnittsverdi og som<br />
for øvrig har eg<strong>en</strong>skaper som holder d<strong>en</strong><br />
konstant over tid. De fleste tidsrekker er<br />
ikke-stasjonære, og det er fortrinnsvis de<br />
som er interessante i <strong>en</strong> prognosesituasjon.<br />
For å kunne modellere ikke-stasjonære<br />
tidsrekker ved bruk av Box-J<strong>en</strong>kins<br />
metode må tidsrekk<strong>en</strong>e transformeres.<br />
Dette gjøres ved å differ<strong>en</strong>siere tidsrekk<strong>en</strong>.<br />
Her differ<strong>en</strong>sieres tidsrekk<strong>en</strong><br />
{yt } og det lages <strong>en</strong> ny tidsrekke som er<br />
gitt ved:<br />
zt = yt - yt-1 (11.5)<br />
Anta at y er totalt antall hovedabonnem<strong>en</strong>t<br />
ved tidspunkt t. D<strong>en</strong>ne tidsrekk<strong>en</strong><br />
vil selvsagt alltid stige og vil ikke være<br />
stasjonær. D<strong>en</strong> tidsrekk<strong>en</strong> som er definert<br />
ved likning (11.5) angir differans<strong>en</strong><br />
mellom akkumulert antall abonnem<strong>en</strong>t i<br />
tidspunkt t og tidspunkt t - 1 <strong>–</strong> det vil si<br />
tilvekst<strong>en</strong> i abonnem<strong>en</strong>t i løpet av d<strong>en</strong>ne<br />
period<strong>en</strong>. Dersom d<strong>en</strong> tidsrekk<strong>en</strong> som<br />
angir tilvekst<strong>en</strong> i abonnem<strong>en</strong>t pr tids<strong>en</strong>het<br />
hele tid<strong>en</strong> ligger på samme nivå, har vi <strong>en</strong><br />
stasjonær tidsrekke. Erfaring viser<br />
imidlertid at det vanligvis vil være nødv<strong>en</strong>dig<br />
å differ<strong>en</strong>siere mer for å få stasjonæritet.<br />
Dersom det er tidsrekker med<br />
sesongvariasjoner, kan <strong>en</strong> kombinasjon<br />
med differ<strong>en</strong>siering på sesongbasis og på<br />
observasjonsbasis være det rette.<br />
Når tidsrekk<strong>en</strong> er differ<strong>en</strong>siert slik at d<strong>en</strong><br />
er stasjonær, starter modellering av tidsrekk<strong>en</strong>.<br />
Når modellering er foretatt av<br />
d<strong>en</strong> differ<strong>en</strong>sierte tidsrekke, integreres<br />
d<strong>en</strong> slik at vi kommer tilbake til d<strong>en</strong> opprinnelige<br />
tidsrekk<strong>en</strong>, og vi har da <strong>en</strong><br />
prognosemodell for d<strong>en</strong> opprinnelige<br />
tidsrekk<strong>en</strong>. Det er d<strong>en</strong>ne prosess<strong>en</strong> som<br />
står for “Integrated” i ARIMA modell<strong>en</strong>e.<br />
Hele navnet er AutoRegressive<br />
Integrated Moving Average modeller.<br />
11.6 Modellid<strong>en</strong>tifisering<br />
Ved å studere avh<strong>en</strong>gighetsstruktur<strong>en</strong> i<br />
tidsrekk<strong>en</strong> kan <strong>en</strong> finne fram til d<strong>en</strong> modell<strong>en</strong><br />
som passer best for tidsrekk<strong>en</strong>.<br />
Opplegget som brukes her er noe av det<br />
g<strong>en</strong>uine i Box-J<strong>en</strong>kins metode. Dette<br />
kalles modellid<strong>en</strong>tifikasjon.<br />
Avh<strong>en</strong>gighetsstruktur<strong>en</strong> i tidsrekk<strong>en</strong><br />
beskrives ved autokorrelasjoner og partielle<br />
autokorrelasjoner. Autokorrelasjoner<br />
ble omtalt i kapittel 7. De angir avh<strong>en</strong>gigheter<br />
mellom observasjoner som ligger<br />
i <strong>en</strong> gitt l<strong>en</strong>gde fra hverandre. De partielle<br />
autokorrelasjoner angir avh<strong>en</strong>gigheter<br />
mellom observasjoner som ligger i<br />
<strong>en</strong> gitt l<strong>en</strong>gde fra hverandre, gitt at de<br />
mellomligg<strong>en</strong>de observasjoner er kj<strong>en</strong>te.<br />
Enhver ARIMA har et <strong>en</strong>tydig distinkt<br />
mønster i autokorrelasjoner og partielle<br />
autokorrelasjoner. Det er disse mønstr<strong>en</strong>e<br />
som hjelper oss til å bestemme hva slags<br />
modell vi har og hvor mange autoregressive<br />
og glid<strong>en</strong>de gj<strong>en</strong>nomsnittsparametere<br />
vi skal ha i modell<strong>en</strong>.<br />
11.7 Estimering av parametr<strong>en</strong>e<br />
Når modelltype og antall parametere i<br />
modell<strong>en</strong> er bestemt, må verdi<strong>en</strong> på parametr<strong>en</strong>e<br />
bestemmes. Dette gjøres ved<br />
bruk av <strong>en</strong> ikke-lineær estimeringsmetode<br />
som minimerer varians<strong>en</strong> til<br />
støyledd<strong>en</strong>e. Dette er ekvival<strong>en</strong>t med at<br />
det finnes verdier på de ukj<strong>en</strong>te parametr<strong>en</strong>e<br />
som gir best mulig tilpasning<br />
mellom modell<strong>en</strong> og de faktiske observasjon<strong>en</strong>e.<br />
Etter at modell<strong>en</strong> er estimert, undersøkes<br />
det om d<strong>en</strong> framkomne modell<strong>en</strong><br />
beskriver tidsrekk<strong>en</strong> tilfredsstill<strong>en</strong>de. Her<br />
finnes det <strong>en</strong> rekke ulike tester som<br />
b<strong>en</strong>yttes. Dersom test<strong>en</strong>e ikke gir tilfredsstill<strong>en</strong>de<br />
resultat, gj<strong>en</strong>tas prosess<strong>en</strong><br />
med modellid<strong>en</strong>tifikasjon og estimering<br />
av parametr<strong>en</strong>e ev<strong>en</strong>tuelt flere ganger.<br />
11.8 Prognoser<br />
Etter at modellering<strong>en</strong> er sluttført, lages<br />
det prognoser. Prognos<strong>en</strong>e er basert på<br />
d<strong>en</strong> modell<strong>en</strong> som er utviklet. Framskrivning<strong>en</strong><br />
skjer ved estimering av støyledd<br />
og tilpasning<strong>en</strong> til de aktuelle observasjoner.<br />
Som nevnt kan ARIMA-modell<strong>en</strong><br />
bygges ut ved inklusjon av ekstra forklaringsvariable.<br />
Disse modell<strong>en</strong>e kalles<br />
transfermodeller. Det h<strong>en</strong>vises til faglitteratur<br />
på området for <strong>en</strong> mer detaljert<br />
innføring.<br />
12 Kalmanfiltermodeller<br />
12.1 G<strong>en</strong>erell beskrivelse<br />
I 1960 publiserte Kalman dynamiske<br />
lineære modeller og Kalmanfilteret som<br />
viste seg å være grunnlegg<strong>en</strong>de for hele<br />
regulerings- og kontrollteori<strong>en</strong> [33]. Det<br />
førte nærmest til <strong>en</strong> revolusjon inn<strong>en</strong><br />
området.<br />
Det har også vist seg at de samme type<br />
modeller kan brukes inn<strong>en</strong> prognostisering.<br />
Et grunnlegg<strong>en</strong>de arbeid her er<br />
artikkel<strong>en</strong> til Harrison og Stev<strong>en</strong>s,<br />
Bayesian forecasting, i 1976 [34].<br />
Det er vanskelig å kunne beskrive d<strong>en</strong>ne<br />
teknikk<strong>en</strong> godt ut<strong>en</strong> å gi et sett med<br />
formler. G<strong>en</strong>erelt kan det sies at de<br />
dynamisk lineære modeller er <strong>en</strong> meget<br />
vid klasse av modeller. Modellklass<strong>en</strong><br />
inneholder eksempelvis både regresjonsmodeller,<br />
glattingsmodeller og tidsrekkemodeller.<br />
I modellklass<strong>en</strong> forutsettes det at verdi<strong>en</strong><br />
på de parametere som inngår vil kunne<br />
<strong>en</strong>dre seg med tid<strong>en</strong> (derav ordet dynamisk).<br />
I glattingsmodell<strong>en</strong>e som er pres<strong>en</strong>tert<br />
tidligere, ser vi at parametr<strong>en</strong>e <strong>en</strong>drer<br />
seg med tid<strong>en</strong> <strong>–</strong> etter hvert som vi foretar<br />
oppdatering<strong>en</strong>. Dermed vil <strong>en</strong> glattingsmodell<br />
kunne beskrive <strong>en</strong> utvikling der<br />
vekst<strong>en</strong> etter hvert <strong>en</strong>drer seg. I regresjonsmodeller<br />
kan vi ikke det. Hvis vi<br />
har <strong>en</strong> modell y = a + bt, vil verdi<strong>en</strong> på a<br />
og b være de samme uavh<strong>en</strong>gig av tid<strong>en</strong>.<br />
Dette er da <strong>en</strong> lineær modell som ikke er<br />
dynamisk.<br />
Populært kan Kalmanfilteret forklares på<br />
følg<strong>en</strong>de måte: Vi har et sett med parametere<br />
som angir tilstand<strong>en</strong> til tidsrekk<strong>en</strong><br />
(eller til prosess<strong>en</strong>). Ved tidspunkt t har<br />
vi et sett med verdier på parametr<strong>en</strong>e.<br />
Når vi så mottar ny informasjon om tidsrekk<strong>en</strong><br />
ved tidspunkt t + 1, skal verdi<strong>en</strong><br />
på alle parametr<strong>en</strong>e oppdateres. Legg<br />
merke til at det samme gjøres også i<br />
andre prognosemodeller når vi får inn ny<br />
informasjon. Her brukes da Kalmanfilteret<br />
til oppdatering<strong>en</strong>.<br />
Vi kaller innovasjon<strong>en</strong> for differans<strong>en</strong><br />
mellom de observerte verdier og de predikerte<br />
verdier. Disse kan også kalles<br />
prognosefeil, og de vil være et korrektiv<br />
til prognos<strong>en</strong> (predikering<strong>en</strong>). Er differans<strong>en</strong><br />
positiv, har prognos<strong>en</strong> vært for lav<br />
og vice versa. Kalmanfilteret vil være et<br />
tall eller et sett med tall (matrise) som<br />
brukes til å gi innovasjon<strong>en</strong>e vekt. D<strong>en</strong><br />
fundam<strong>en</strong>tale formel for oppdatering av<br />
parameterverdi<strong>en</strong>e er gitt ved:<br />
43