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.
44<br />
Oppdaterte parameterverdier<br />
= Gamle parameterverdier<br />
+ Kalmanfilteret * Innovasjon<strong>en</strong><br />
Prinsippet her likner på det som ble<br />
beskrevet for glattingsmodell<strong>en</strong>e. Der ble<br />
det imidlertid brukt glattingsparametere<br />
isted<strong>en</strong>for Kalmanfilter.<br />
Kalmanfilteret filtrerer ut støy<strong>en</strong> og<br />
sørger samtidig for å minimalisere kvadratfeil<strong>en</strong><br />
til de anslåtte parametr<strong>en</strong>e i modell<strong>en</strong>.<br />
Oppdatering<strong>en</strong> eller estimering<strong>en</strong> av<br />
parameterverdi<strong>en</strong>e foretas rekursivt ved<br />
oppdatering av likninger både for parameterverdier<br />
og for varianser og kovarianser.<br />
Som for glattingsmodell<strong>en</strong>e er det<br />
også nødv<strong>en</strong>dig å ha startverdier for å<br />
starte opp de rekursive beregning<strong>en</strong>e.<br />
12.2 Detaljert beskrivelse<br />
De dynamisk lineære modeller består av<br />
to sett med likninger. Det er systemlikning(er)<br />
og målelikning(er). Systemlikning<strong>en</strong><br />
er gitt ved:<br />
bt = Abt-1 + at (12.1)<br />
b angir parameterverdi<strong>en</strong>e. A er <strong>en</strong><br />
matrise som angir relasjon<strong>en</strong> mellom de<br />
oppdaterte parameterverdier. a er<br />
støyledd<strong>en</strong>e som har kovariansmatrise Q.<br />
Målelikning<strong>en</strong> er gitt ved:<br />
yt = Hbt + et (12.2)<br />
y angir observasjon<strong>en</strong>e <strong>–</strong> det vil si tidsrekk<strong>en</strong>.<br />
H angir relasjon<strong>en</strong> mellom<br />
observasjon<strong>en</strong>(e) og parametr<strong>en</strong>e. e er<br />
støyledd<strong>en</strong>e som har kovariansmatrise R.<br />
For å konkretisere dette, tar vi utgangspunkt<br />
i Holts modell. D<strong>en</strong> vil kunne<br />
repres<strong>en</strong>teres ved følg<strong>en</strong>de tre likninger<br />
hvorav d<strong>en</strong> siste er målelikning<strong>en</strong>:<br />
µ t = µ t-1 + βt-1 + a1t (12.3)<br />
βt = βt-1 + a2t (12.4)<br />
yt = µ t + et (12.5)<br />
Likning (12.3) angir at nivået ved tidspunkt<br />
t er lik nivået ved tidspunkt t -1<br />
pluss vekst<strong>en</strong> ved tidspunkt t - 1 pluss tilfeldig<br />
støy. Likning (12.4) viser at<br />
vekst<strong>en</strong> ved tidspunkt t er lik vekst<strong>en</strong> ved<br />
tidspunkt t - 1 pluss tilfeldig støy.<br />
Likning (12.5) er i dette tilfellet svært<br />
<strong>en</strong>kel. D<strong>en</strong> forteller at d<strong>en</strong> observerte<br />
verdi på tidsrekk<strong>en</strong> ved tidspunkt t er gitt<br />
ved nivået på tidsrekk<strong>en</strong> ved tidspunkt t<br />
pluss <strong>en</strong> tilfeldig støykompon<strong>en</strong>t. Legg<br />
merke til at y er d<strong>en</strong> <strong>en</strong>este størrelse som<br />
kan observeres. Det kan ikke verdi<strong>en</strong> på<br />
parametr<strong>en</strong>e eller tilstand<strong>en</strong>e til prosess<strong>en</strong>,<br />
som de også kalles.<br />
De dynamisk lineære modell<strong>en</strong>e oppdateres<br />
ved bruk av Kalmanfilter på følg<strong>en</strong>de<br />
måte:<br />
La bt/s være forv<strong>en</strong>tet verdi på parametr<strong>en</strong>e<br />
ved tidspunkt t gitt at vi har målinger<br />
fram til tidspunkt s. Ett skritts prediksjon<br />
er da:<br />
bt/t-1 = Atbt-1/t-1 (12.6)<br />
Pt/t-1 = AtPt-1/t-1At' + Qt (12.7)<br />
Her er Pt/s kovariansmatriser til bt/s .<br />
Oppdateringslikning<strong>en</strong>e er:<br />
bt/t = bt/t-1 + Kt (yt - Htbt/t-1 ) (12.8)<br />
Pt/t = (1 - KtHt ) Pt/t-1 (12.9)<br />
der Kalman-gevinst<strong>en</strong>, Kt , finnes ved å<br />
minimere E(bt/t - bt )'(bt/t - bt ), hvilket gir:<br />
Kt = Pt/t-1 Ht'(HtPt/t-1 Ht' + Rt ) -1 (12.10)<br />
De oppdaterte parameterverdier finnes av<br />
likning (12.9). Dermed kan det lages<br />
prognoser ut fra beregnede verdier på<br />
parametr<strong>en</strong>e i modell<strong>en</strong>.<br />
Televerket har i samarbeid med Norsk<br />
Regnes<strong>en</strong>tral utarbeidet <strong>en</strong> meget god<br />
programpakke basert på dynamisk<br />
lineære modeller og Kalmanfilter. Programpakk<strong>en</strong><br />
inneholder ikke bare g<strong>en</strong>erell<br />
håndtering av de gitte modell<strong>en</strong>e,<br />
m<strong>en</strong> det ligger også inne prosedyrer som<br />
kan brukes for å id<strong>en</strong>tifisere plutselige<br />
tr<strong>en</strong>dskift og plutselige nivåhopp i tidsrekk<strong>en</strong>e<br />
som da vil føre til raffinering av<br />
de gitte estimeringsprosedyrer. I tillegg<br />
ligger det inne automatisk outlierdeteksjon<br />
<strong>–</strong> hvilket vil si at observasjoner som<br />
ligger unormalt langt bort fra forv<strong>en</strong>tede<br />
verdier vil bli justert slik at de ikke ødelegger<br />
estimering<strong>en</strong> slik som nevnt i<br />
kapittel 7 [35], [36].<br />
Endelig har programpakk<strong>en</strong> prosedyrer<br />
for håndtering av mangl<strong>en</strong>de observasjoner.<br />
Som tidligere nevnt forutsetter <strong>en</strong><br />
rekke av prognosemodell<strong>en</strong>e at det er<br />
like lang tidsavstand mellom observasjon<strong>en</strong>e<br />
<strong>–</strong> det vil si at det foretas observasjoner<br />
eksempelvis på uke-, månedseller<br />
årsbasis. Selv om dette gjøres, vil<br />
det kunne være situasjoner som gjør at<br />
<strong>en</strong>kelte eller et sett av påfølg<strong>en</strong>de<br />
observasjoner mangler. I programpakk<strong>en</strong><br />
med Kalmanfilter er det utviklet optimale<br />
prosedyrer for Kalmanfilteroppdatering<strong>en</strong><br />
når observasjoner mangler [37],<br />
[38].<br />
Ann<strong>en</strong> dokum<strong>en</strong>tasjon om bruk av disse<br />
modell<strong>en</strong>e på etterspørselsdata i Televerket<br />
er [5], [39], [40], [41] og [42].<br />
For øvrig h<strong>en</strong>vises det til [13], [34] og<br />
[43].<br />
13 Lokale og aggregerte<br />
prognoser<br />
13.1 Problemstilling<br />
I mange samm<strong>en</strong>h<strong>en</strong>ger lages det lokale<br />
og aggregerte prognoser. Det kan<br />
eksempelvis lages prognoser for<br />
trafikk<strong>en</strong> i hvert s<strong>en</strong>tralområde og i hver<br />
region og prognoser for landet som helhet.<br />
S<strong>en</strong>tralprognos<strong>en</strong>e og regionsprognos<strong>en</strong>e<br />
vil da være lokale, m<strong>en</strong>s<br />
landsprognos<strong>en</strong> vil være d<strong>en</strong> aggregerte.<br />
For så vidt vil også regionsprognos<strong>en</strong><br />
kunne betraktes som <strong>en</strong> aggregert prognose<br />
for s<strong>en</strong>tralområd<strong>en</strong>e.<br />
Spørsmålet er så hvorledes vi best kan<br />
nyttiggjøre oss d<strong>en</strong> informasjon som<br />
ligger i de lokale prognos<strong>en</strong>e og d<strong>en</strong><br />
informasjon som ligger i d<strong>en</strong> aggregerte<br />
prognos<strong>en</strong>.<br />
Det er klart at summ<strong>en</strong> av de lokale<br />
prognos<strong>en</strong>e sjeld<strong>en</strong> blir lik d<strong>en</strong><br />
aggregerte prognos<strong>en</strong>. Hvorledes skal vi<br />
da justere prognos<strong>en</strong>e slik at de blir konsist<strong>en</strong>te?<br />
D<strong>en</strong> aggregerte prognos<strong>en</strong> er<br />
basert på større datam<strong>en</strong>gder <strong>en</strong>n de lokale<br />
prognos<strong>en</strong>e. I mange tilfeller er det<br />
her også mulig å b<strong>en</strong>ytte mer avanserte<br />
prognosemodeller. Positive og negative<br />
usikkerheter kan på et aggregert nivå til<br />
<strong>en</strong> hvis grad nøytralisere hverandre<br />
(“Store talls lov”). D<strong>en</strong> relative usikkerhet<strong>en</strong><br />
i d<strong>en</strong> aggregerte prognos<strong>en</strong> vil derfor<br />
være mindre <strong>en</strong>n for de lokale<br />
prognos<strong>en</strong>e. Samtidig er det viktig å være<br />
oppmerksom på at mange lokale forhold<br />
kan være modellert inn i de lokale<br />
prognos<strong>en</strong>e.<br />
13.2 Bottom-up-metod<strong>en</strong><br />
D<strong>en</strong>ne metod<strong>en</strong> neglisjerer mulighet til å<br />
b<strong>en</strong>ytte <strong>en</strong> aggregert prognosemodell som<br />
korrektiv til de lokale prognos<strong>en</strong>e. Derfor<br />
anbefales ikke d<strong>en</strong>ne metod<strong>en</strong>. Bottomup-metod<strong>en</strong><br />
er basert på de lokale<br />
prognos<strong>en</strong>e. D<strong>en</strong> aggregerte prognos<strong>en</strong> er<br />
definert som summ<strong>en</strong> av de lokale<br />
prognos<strong>en</strong>e.<br />
13.3 Top-down-metod<strong>en</strong><br />
D<strong>en</strong>ne metod<strong>en</strong> er basert på å bryte ned<br />
d<strong>en</strong> aggregerte prognos<strong>en</strong> i lokale prognoser.<br />
Det forutsettes her at d<strong>en</strong>