Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
Prognosemetoder – en oversikt - Telenor
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
prognos<strong>en</strong>e vil med sikkerhet ikke<br />
være konsist<strong>en</strong>te. Det må derfor<br />
foretas justeringer av prognos<strong>en</strong>e ut<br />
fra de prinsipper som er pres<strong>en</strong>tert.<br />
7) Dersom det er ønskelig å foreta <strong>en</strong>dringer<br />
ut fra subjektive vurderinger,<br />
markedsmessige vurderinger, etc, er<br />
det mulig å gå direkte inn i fil<strong>en</strong>e og<br />
<strong>en</strong>dre prognos<strong>en</strong>e.<br />
8) Mange prognosemodeller angir prognoseusikkerhet<strong>en</strong><br />
automatisk i sin<br />
output. Dermed vil standardavvik<br />
eller varians til prognos<strong>en</strong> være<br />
angitt. De beregnede verdier legges<br />
på <strong>en</strong> eg<strong>en</strong> fil (Varians i prognoser<br />
for matrise; rad/kol: sum og totalsum).<br />
9) Det er også mulig å justere de angitte<br />
verdier for varians ved bruk av subjektivt<br />
skjønn (Ev<strong>en</strong>tuell subjektiv<br />
vekting).<br />
10) De <strong>en</strong>delige vekter for de <strong>en</strong>kelte<br />
prognoser legges så ut på fil (Vekter<br />
for prognostisering).<br />
11) Filer med trafikkmatriser og filer<br />
med vekter danner nå inngangsdata<br />
for trafikkmatriseprognostisering<strong>en</strong>.<br />
Manuelle<br />
prognosemodeller<br />
Prognoser for<br />
matrise,rad/<br />
kolonnesum og<br />
totalsum<br />
Trafikkmålinger<br />
Reduser<br />
Reduserte<br />
trafikkmatriser<br />
Trafikkmatriseprognosemodeller<br />
Prognostiserte<br />
trafikkmatriser<br />
Programpakk<strong>en</strong> med trafikkmatriseprognostisering<br />
b<strong>en</strong>yttes så til<br />
beregning av konsist<strong>en</strong>te trafikkmatriseprognoser(Trafikkmatrisemodeller).<br />
12) Etter at prognostisering<strong>en</strong> av trafikkmatris<strong>en</strong><br />
er gj<strong>en</strong>nomført, framkommer<br />
så <strong>en</strong>delig d<strong>en</strong> prognostiserte<br />
trafikkmatrise. Vanligvis lages<br />
det ikke bare prognoser for et tidspunkt<br />
m<strong>en</strong> for <strong>en</strong> tidsperiode. Vi får<br />
da et sett med prognostiserte trafikkmatriser<br />
(Prognostiserte trafikkmatriser).<br />
Ved å bruke dette systemet for prognostisering<br />
av trafikkmatriser kan det spares<br />
mye tid, fordi det er lagt mye automatikk<br />
i selve prognostisering<strong>en</strong>. Det er også<br />
lagt opp effektive rutiner for behandling<br />
av data<strong>en</strong>e. Systemet er fleksibelt<br />
utformet slik at det er mulig å gå inn og<br />
korrigere mellomligg<strong>en</strong>de resultater ved<br />
bruk av suppler<strong>en</strong>de metoder og ev<strong>en</strong>tuelt<br />
subjektive vurderinger. Det er<br />
imidlertid viktig at det har vært <strong>en</strong> viss<br />
stabilitet i utvikling<strong>en</strong> av det nettområdet<br />
som ses på. Store omrutinger og <strong>en</strong>dringer<br />
i nettområdet må det justeres for.<br />
For nærmere detaljer h<strong>en</strong>vises til [36],<br />
[40], [41], [46], [47], [48], [49], [50] og<br />
[51].<br />
Automatiske<br />
prognosemodeller<br />
Varians i prognoser<br />
for matrise,rad/<br />
kolonnesum og<br />
totalsum<br />
Ev<strong>en</strong>tuell subjektiv<br />
vektsetting<br />
Vekter for<br />
prognostisering<br />
Figur 14.2 Prognosesystem for prognostisering av trafikkmatriser<br />
15 Samm<strong>en</strong>likning av<br />
prognosemetoder<br />
Det vil i <strong>en</strong> rekke tilfeller<br />
ikke være selvsagt hva<br />
slags prognosemetode<br />
som skal velges. Det<br />
kan da være riktig å<br />
prøve flere av<br />
metod<strong>en</strong>e for å finne<br />
fram til hvilke eller<br />
hvilk<strong>en</strong> som fungerer<br />
best.<br />
Det vil her bli sett<br />
på <strong>en</strong> del kriterier<br />
som kan b<strong>en</strong>yttes<br />
ved valg av prognosemetode.<br />
15.1 Evaluering<br />
av<br />
prognose<br />
metoder<br />
Til de ulike prognosemetoder<br />
knytter det seg<br />
spesielle forutsetninger.<br />
Første del av<br />
evaluering<strong>en</strong> er<br />
å undersøke i hvilk<strong>en</strong> grad de ulike prognosemodell<strong>en</strong>e<br />
tilfredsstiller forutsetning<strong>en</strong>e.<br />
En svært viktig forutsetning er<br />
at residual<strong>en</strong>e <strong>–</strong> det vil si de estimerte<br />
støyledd<strong>en</strong>e <strong>–</strong> tilfredsstiller de fire foruts<strong>en</strong>inger<br />
som er gitt i kapittel 7. Samtidig<br />
bør standardavviket (og varians<strong>en</strong>) være<br />
lit<strong>en</strong> og naturlig nok det beregnede konfid<strong>en</strong>sintervall.<br />
Det brukes også spesielle tester/observatorer<br />
for å vurdere tilpasning<strong>en</strong> og<br />
prognos<strong>en</strong>e for ulike typer modeller.<br />
Eksempel på slike tester/observatorer er<br />
multippel korrelasjonskoeffisi<strong>en</strong>t i regresjonsmodeller,<br />
Portmanteau observator i<br />
tidsrekkemodeller og Durbin-Watson<br />
observator og autokorrelasjonsfunksjon<br />
for ulike modeller.<br />
På bakgrunn av disse størrels<strong>en</strong>e samt<br />
vurdering av eg<strong>en</strong>skaper og størrelse på<br />
residual<strong>en</strong>e vil det ofte være mulig å eliminere<br />
flere av modell<strong>en</strong>e som er foreslått<br />
fordi de ikke oppfører seg tilfredsstill<strong>en</strong>de.<br />
De modell<strong>en</strong>e som vi til slutt står tilbake<br />
med, bør så evalueres ut fra selve<br />
prognos<strong>en</strong>e som lages.<br />
15.2 Metode for samm<strong>en</strong>likning<br />
av prognosemodeller<br />
For ikke å v<strong>en</strong>te på nye observasjoner for<br />
å kunne samm<strong>en</strong>likne de ulike prognosemodell<strong>en</strong>e,<br />
er det vanlig å holde tilbake<br />
no<strong>en</strong> observasjoner. Anta at vi totalt har<br />
m+nobservasjoner. Vi bruker da n<br />
observasjoner på selve modellbygging<strong>en</strong>.<br />
Deretter lages det prognoser m tids<strong>en</strong>heter<br />
framover. Vi får da m prognoserverdier<br />
som direkte kan samm<strong>en</strong>liknes<br />
med de m observasjoner som vi har holdt<br />
tilbake.<br />
Residualet e er som illustrert i figur 7.2<br />
lik differans<strong>en</strong> mellom observasjon<strong>en</strong> og<br />
tilpasning<strong>en</strong>. Vi får her <strong>en</strong> helt analog<br />
definisjon av prognosefeil<strong>en</strong> som er lik<br />
differans<strong>en</strong> mellom d<strong>en</strong> observasjon som<br />
er holdt tilbake og selve prognos<strong>en</strong>. Vi er<br />
da i d<strong>en</strong> situasjon at vi for hver prognosemodell<br />
som vi skal samm<strong>en</strong>likne, har et<br />
sett med m prognosefeil. Det vil da være<br />
størrels<strong>en</strong> på prognosefeil<strong>en</strong>e som er<br />
avgjør<strong>en</strong>de for hvilk<strong>en</strong> prognosemodell<br />
som kommer best ut.<br />
I det følg<strong>en</strong>de er det satt opp ulike mål<br />
eller kriterier for residual<strong>en</strong>e som kan<br />
brukes til å samm<strong>en</strong>likne ulike prognosemodeller.<br />
47