Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

(x 100) 22 17 12 68 7 2 -3 01/87 + antall effektuerte, ikke oppdaterte nybestillinger - antall effektuerte, ikke oppdaterte oppsigelser3 + antall effektuerte, ikke oppdaterte tilflyttinger - antall effektuerte, ikke oppdaterte fraflyttinger3 = Total etterspørsel - Perioden fra og med 04.90: Se definisjonen i kapittel 1. Bakgrunnen for endringene i definisjonen finner vi i analyser av ordreflyten i TEL- SIS/AB og av diskusjoner om hva vi mener med begrepet netto etterspørsel. Ved overgang fra manuelt abonnementsarkiv til TELSIS/AB “forsvant” mellom 2000 og 3000 abonnement fra regionens abonnementsstatistikker. Ved nærmere analyser fant en at disse abonnementene befant seg i en “gråsone” mellom to statistikkrapporter: De var trukket ut av rapporten for ueffektuerte ordrer fordi de var blitt effektuert (dvs avhengig av ordretype var de fysisk inn- eller utkoplet), men var ikke kommet inn i statistikken over inn- /utkoplede abonnement (dvs statistikken for antall installerte abonnement) pga manglende oppdatering i TELSIS/AB. Denne “gråsonen” er representert ved de effektuerte, ikke oppdaterte i definisjonen over. aug'88 apr'90 01/88 01/89 01/90 01/91 tid Figur 2 Månedlig netto etterspørsel, etter HA, 1987–1990 Analysen av “gråsonen” førte til definisjonsendring 01.08.88. Den videre analyse av ordreflyten i TELSIS/AB, samt klargjøring av begrepet netto etterspørsel, resulterte i figuren som representerer ordreflyten i TELSIS/AB, dvs figur 1, og definisjonsendring 01.04.90. Som et eksempel på “hopp i data” som følge av definisjonsendring, viser figur 2 den månedlige etterspørsel etter HA i Region Oslo for perioden 1987–1990. Tidspunktene for definisjonsendringene er merket av. Ser vi på datapunktet for august 1988 er det ikke mulig å se noe “hopp” her (i forhold til måneden før). Dette til tross for at definisjonen ble utvidet med netto effektuerte, ikke oppdaterte ordre. Grunnen til dette finner vi i regionens behandling av definisjonsendringen: For det første var dette den første kjente definisjonsendring som hadde funnet sted. Det hersket dermed tvil om hvordan denne endringen skulle håndteres statistikk-messig. For det andre ble definisjonsendringen ansett som en korreksjon av en feil som var oppstått som følge av innføringen av TELSIS/AB: Når netto effektuerte, ikke oppdaterte ordrer ble tatt inn i definisjonen, var det fordi TELSIS/AB ikke talte opp disse ordrene, mens de tidligere hadde vært inkludert i endringstallene for de installerte abonnement. Resultatet ble at kun endringen i de effektuerte, ikke oppdaterte ordrene (netto) ble tatt med i månedsstatistikken, og ikke før i oktober (netto antall effektuerte, ikke oppdaterte ordrer i oktober minus netto antall i september), siden månedlig etterspørsel jo likevel måler endringen i totaletterspørselen fra en måned til en annen! På denne måten ble definisjonsendringen “kamuflert” og en unngikk hopp i data. Likefullt er det en endring i hva som måles fra måned til måned i perioden etter oktober 1988, og dette er det viktig å være klar over når prognosemodeller skal bygges. Går vi til april 1990 har vi derimot ingen problemer med å se ett “hopp” i data (fra perioden før). På det tidspunkt de ueffektuerte oppsigelsene ble tatt inn i definisjonen utgjorde de 911 abonnement, og dermed “mistet” regionen tilsvarende antall: Statistikk-messig medførte dette at regionen fikk negativ etterspørsel denne måneden. Av de mest vanlige kvantitative prognosemetodene har regresjonsanalyse utviklet metodikk som gjør det mulig å takle problemer av typen nevnt ovenfor (ved bruk av såkalte dummyvariable). Derimot kan glattingsmodeller (som f eks Holt-Winters metode) og regresjonsanalyse hvor en “glemmer” problematikken gi dårlige resultater. I de siste tilfeller må en justere data, f eks ved å reprodusere historikken etter ny definisjon. Dette kan likevel vise seg å være vanskelig, da en som regel ikke har data som viser hvordan slike justeringer kan gjøres i tidligere perioder. 2.2 Andre definisjonsendringer Ovenfor er virkninger av endringer i måten vi måler etterspørsel utdypet, uavhengig av hvilken abonnementstype dette måtte gjelde. Endringer i hva som skal telles som HA, TTK eller TAT vil imidlertid kunne gi liknende effekter. Vi skal her kort nevne noen slike endringer. I 1990 startet ISDN prøvetjeneste i Oslo, Bergen, Stavanger og Trondheim. Registrering av ISDN-aksessene ble da gjort i TELSIS/AB og innlemmet i telefonstatistikkene ved at både en 2B+d aksess og en 30B+d aksess ble talt som ett abonnement/tilknytting. Disse ble imidlertid tatt ut av statistikkene i september 19914 . Går vi tilbake til figur 1 inneholdt ikke definisjonen for TTK t o m 1991 teletorg, åpen linje, grønne nummer, telekonto og ekstranummer til viderekopling (CHATS). Telekonto ble innlemmet i september 1992, men er f o m april 1993 tatt ut av rapportene over telefonabonnement/ -tilknyttinger. At telekonto ble innlemmet i statistikkene skyldes en feiltakelse: Telekonto-numrene representerer ikke telefonnumre i tradisjonell forstand, men representerer en “fiktiv nummerserie” som er å sammenlikne med et kontonummer. 2 Markerer perioden hvor det var avvik mellom Region Oslo og Teledirektoratets definisjon. 3 Markerer elementer som ikke var spesifisert i Teledirektoratets definisjon. Dette avviket er i denne omgang ikke spesielt interessant, men er uthevet fordi det er Region Oslos data som er brukt i senere eksempler. 4 Region Oslo hadde på dette tidspunkt 250 2B+d aksesser og 21 30B+d aksesser. I forhold til den totale abonnementsmassen utgjorde m a o disse aksessene en beskjeden andel.
I januar 1992 ble teletorg, åpen linje, grønne nummer, telekonto og ekstranummer til viderekopling (CHATS) flyttet fra Start-, stopp-, og samlenummer m m til egne poster, se figur 1. I perioden før januar 1992 var disse m a o ikke inkludert i TTK, mens de både før og etter dette var inkludert i TAT. Også andre endringer av enkelte statistikkdefinisjoner har vært foretatt i den senere tid, men effektene av disse har vært små5 . 3 Netto etterspørsel – en variabel det er vanskelig å lage gode prognoser for Definisjonen av total etterspørsel etter abonnement består av antall innkoplede abonnement og fire hovedstrømmer av ordre på abonnement. Av ordrestrømmene er to på vei inn i nettet: Nye bestillinger og ordrer på tilflyttinger. De andre to er på vei ut av nettet: Oppsigelser og ordrer på fraflyttinger. Ser vi bort fra de innkoplede abonnementene, er det nettoen av status for disse fire strømmene som pr definisjon utgjør begrepet total etterspørsel etter abonnement. I perioden fra januar 1988, da TELSIS/AB ble grunnlag for offisiell statistikk i Region Oslo, og fram til den siste definisjonsendring i april 1990, er det klart at mangler ved definisjonen for etterspørsel gjorde at en ikke målte etterspørselen på riktig måte. Dette kan i og for seg forsvares hvis en vet hva en måler, og en i tillegg måler det samme hele tiden. Likevel gav definisjonen i denne perioden opphav til problemer fordi den gjorde begrepet netto etterspørsel avhengig av faktorer som ikke har med etterspørsel fra markedet å gjøre. 5 Et eksempel på dette kan være MAKROTEL-abonnement (en 30B+d aksess med redusert tjenestespekter) som ble trukket ut av statistikkene i april 1993. Disse utgjorde imidlertid da bare 11 aksesser i Region Oslo, og det var få andre regioner som tilbød MAKROTEL på dette tidspunktet. Et annet eksempel kan være statistikken over ueffektuerte og ikke oppdaterte ordrer (TELSIS/AB Rapport 34), som f o m september 1991 gikk over fra å telle ordrene til å telle abonnementene som ordrene inneholder. Dette medførte f eks en økning på 81 HA for september i Region Oslo. Hva som menes med dette, forklares i det følgende. Når definisjonen på netto etterspørsel mangler en eller flere av ordrestrømmene nevnt ovenfor, se figur 1, eller mangler en av “boksene” i en/flere av ordrestrømmene, vil etterspørselsdata være avhengige av administrative rutiner i TELSIS/AB. Dette er i utgangspunktet uheldig fordi vi med data for etterspørsel ønsker å måle variasjoner i etterspørselen fra markedet, og da må ikke data være påvirket av Televerkets rutiner. Ser vi f eks definisjonen som gjaldt fram til og med 07.88 (se kapittel 2), så manglet denne begge utstrømmene. Oppsigelser og fraflyttinger ble, i henhold til denne definisjonen, først regnet som etterspurt etter at de var effektuert og oppdatert (i R35). Med andre ord kunne oppsigelser og fraflyttinger bli liggende lenge som ueffektuerte eller som effektuerte, ikke oppdaterte før de under oppdatering av statuskode kom inn i statistikken som fratrekk i netto etterspørsel. I slike tilfeller “lyver” altså statistikken for flere måneder, ja kanskje over flere år, fordi den ikke viser etterspørselen slik den virkelig har vært: Etterspørselstallene blir for høye når oppsigelses-/fraflyttingsordrer hoper seg opp og for lave når “slakken” tas inn. Som regel kan ikke data eller noen prognosemodell korrigere for dette, og vi får derfor et skjevt bilde av historisk utvikling. Dette påvirker deretter en prognosemodells evne til å beskrive framtidig utvikling. Tilsvarende resonnement kan også gjøres for mangelen i definisjonen i perioden 08.88 – 04.90. 22 Selv om vi har oppnådd å rydde opp i definisjonen for netto etterspørsel, så er definisjonen frem- 17 deles ikke helt uavhengig av arbeidsrutiner. Et uromoment som er uavhengig av den gjeldende definisjon, er inkassorutinene. Et 12 eksempel som belyser denne problemstillingen er utviklingen i netto månedlig etterspørsel etter HA for 7 perioden 1987–1989 i Region Oslo. Data for denne perioden er grafisk framstilt i figur 3. I denne perioden hadde vi som før nevnt et skifte av definisjon i august 1988, som det ikke er lett å avdekke i denne figuren. Det vi imidlertid raskt blir slått av, er juli-observasjonene for 1988 og 1989. Disse (x 100) 2 -3 viser negativ netto etterspørsel for disse månedene. Kan dette være mulig? Siden vi måler en nettostrøm er dette selvfølgelig teoretisk mulig hvis vi i perioden får flere oppsigelser og fraflyttinger enn nye abonnement og tilflyttinger. Ved nærmere ettersyn viste det seg at det var Region Oslos opprydding i 3–4 år gamle inkassosaker som var grunnen. I 1988 ble slike saker behandlet sentralt i regionen og deretter sendt til inkasso. Flere av disse sakene endte i oppsigelser og ble først fanget opp av definisjonen for netto etterspørsel i månedene juli– desember 1988, noe som gav utslag i lave tall for netto etterspørsel i disse månedene (observasjonene for tilsvarende periode i 1987 kan til sammenlikning anses for normale). Juli er feriemåned og har normalt få nybestillinger, slik at “inkasso-oppsigelsene” får netto-tallet til å tippe over på minussiden. I januar 1989 ble strategien med sentral behandling av slike saker oppgitt til fordel for en desentral fordeling. Oppryddingsarbeidet ble intensivert, og dette kommer spesielt til syne i data for juni og juli 1989. Sistnevnte observasjon blir derfor negativ av samme årsak som juli 1988. Figur 4 viser månedlige (effektuerte og oppdaterte) oppsigelser i perioden 1987–1989. Tallene for 1987 kan anses som “normale”. Vi ser helt klart hoppet i oppsigelser i juli 1988. Disse holder seg på et, inntil da, høyt nivå ut året. I 1989 forsterkes dette i perioden juni–november. At dette i figur 3 ikke kommer like godt til syne for alle disse 01/87 10/87 07/89 04/89 01/90 tid Figur 3 Utviklingen i netto månedlig etterspørsel etter HA for perioden 1987–1989 i Region Oslo 69
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 and 20: 20 dere med antall abonnenter. niv
Page 21 and 22: Indeks 220 200 180 160 140 120 100
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 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

Create successful ePaper yourself

Delete template?

Save as template?