Prognosemetoder – en oversikt - Telenor

More documents

Recommendations

Info

periodene, skyldes at dette skjules i nettoresultatet av alle de fire ordrestrømmene. I 1989 fikk vi splittet statistikken for oppsigelser. På denne måten kan vi nå følge oppsigelser gjort av abonnentene selv (OPPSH) og oppsigelser grunnet gjeld (OPPSG). Sistnevnte tilsvarer inkassosakene nevnt ovenfor. Figur 5 viser denne oppsplittede utviklingen pr måned i 1989. Som vi ser, er det OPPSH som utgjør den største andelen av oppsigelsene i 1989. OPPSG viser på sin side et hopp i juni og et nytt i oktober. Går vi tilbake til figur 3, ser vi at dette klart gir seg utslag i juni (en måned hvor netto etterspørsel etter HA vanligvis øker i forhold til mai), mens oktober er overskygget av andre effekter. Hovedabonnement (x 1000) 20 16 12 70 8 4 0 Hovedabonnement (x 100) 35 30 25 20 15 10 5 0 jan/87 jan/88 jan/89 Figur 4 Månedlige (effektuerte og oppdaterte) oppsigelser i perioden 1987–1989 1 OPPSH OPPSG 2 3 4 5 6 7 8 9 10 11 12 Måned Figur 5 Oppsplittet utvikling i oppsigelser pr måned i 1989. OPPSH = oppsigelser gjort av abonnentene selv, OPPSG = oppsigelser gjort av Televerket, grunnet gjeld Konklusjonen for tilfellet med inkassorutinene blir som i tilfellet med sviktende definisjon for netto etterspørsel: Abonnement som skulle vært oppsagt i tidligere perioder, forkludrer data på en slik måte at vi som analyserer dem tror at etterspørselen er høyere enn den i virkeligheten er. Når det så ryddes opp, ser det ut som om etterspørselen er lavere enn den virkelig er. Oppsummert kan vi altså si at det å lage prognoser for netto etterspørsel etter abonnement er noe komplisert: For det første består begrepet netto etterspørsel av 4 hovedstrømmer som i prinsippet kan utvikle seg helt forskjellig. Teoretisk burde en derfor lage separate prognoser for hver av disse strømmene. I praksis kan dette, av grunner nevnt ovenfor, vise seg vanskelig for oppsigelsene, men hovedstrømmene bør likevel følges nøye opp fra måned til måned slik at vi har kontroll med hvorfor nettoen er blitt slik som den er. For det andre har oppsigelser grunnet gjeld vist seg å være påvirket av inkassorutinene. Rutinene for inkassofunksjonen bør derfor studeres slik at vi ikke opplever uheldige overraskelser i data. Data for stengninger av abonnement hjelper oss til å forutsi slike effekter: Inkassorutinene for Televerket sier at abonnementene skal stenges før de går til inkasso. En splittet statistikk for stengning, slik at antall stengte abonnement grunnet gjeld kan hentes ut som separat statistikk, vil m a o være til stor hjelp som “ledende indikator” for abonnement som går til oppsigelse grunnet gjeld. 4 Klargjøring av data I Televerket har det tradisjonelt vært laget etterspørselsprognoser for abonnementsutviklingen. Arbeidet med forslag til etterspørselsprognosene begynner med et betydelig forarbeid i form av behandling av grunnlagsdata på sentralnivå. Status for total etterspørsel i hvert sentralområde finnes ved å sette sammen statistikk fra R35 (antall installerte abonnement) og R34 (ordrestatistikken, dvs antall ueffektuerte og ikke oppdaterte ordrer, gitt i TELSIS/AB Rapport 34). Dette korresponderer med definisjonen for etterspørsel gitt ovenfor. Imidlertid er det ikke slik at disse rapportene gir den fulle og hele sannhet om etterspørselen i et gitt sentralområde. Visse justeringer og korrigeringer må også foretas før data er på en slik form at de viser hva etterspørselen i et bestemt år eller måned har vært og kan sammenliknes med de andre periodene. Vi skal her vise hvordan vi arbeider oss fram til data på det vi kan kalle “riktig etterspørselsform”. Med “riktig” menes her at data er ordnet slik at de på en mest mulig korrekt måte gjenspeiler den utvikling som etterspørselen virkelig har hatt. Når vi har oppnådd dette, eller kommet så nær opp til dette som mulig, kan vi benytte oss av de metoder som vi måtte ha til rådighet for å lage prognosemodeller som framskriver den historiske utvikling. De mest brukte og anerkjente metoder for kvantitative prognosemodeller er: - Eksponentiell glatting (enkel, dobbel, trippel) - Holts metode - Holt-Winters metode - Lineære regresjonsmodeller (enkel, multippel) - Logistiske vekstkurver (Metningsmodeller/S-kurver) - Box-Jenkins metode - State Space-modeller/Kalmanfilter - Transferfunksjon-modeller. Valg av metode avhenger bl a av inngående kjennskap og erfaring med disse, prognosehorisont, antall variable som det skal lages prognoser for, datatilgang for forklaringsfaktorer, tid til disposisjon mm. En annen klasse av prognosemetoder er de såkalte kvalitative metodene. De mest kjente er: - Ekspertundersøkelser - Delphimetoden - Scenariometoden - Analogimetoden - Markedsundersøkelser. De fleste av disse metodene er omtalt andre steder i denne utgaven av Telektronikk. [1] er en lærebok som gir relativt enkle introduksjoner til flere av disse metodene, men med størst vekt på de kvantitative. Uansett hvilken prognosemetode eller modell som benyttes, må annen “modellekstern” informasjon brukes som kor-
ektiv til modell-prognosene. Dette kan være generelle forhold som vi vet at prognosemodellene ikke fanger opp, spesielle forhold ved teknikk og marked i framtidige perioder som ikke reflekteres i den historiske utvikling, informasjon fra (andre) markedsundersøkelser, lokale markedsforhold, osv. 4.1 Sammensetting av årsdata for total etterspørsel Som en illustrasjon på det arbeidet som utføres med datagrunnlaget, har vi delt prosessen opp i 4 steg og benyttet arbeidet med status for total etterspørsel pr 31.12.1990 i Region Oslo. Steg 1: Ukorrigert etterspørsel Steg 1 er allerede nevnt ovenfor: Vi legger sammen antall installerte abonnement og antall ueffektuerte og ikke oppdaterte abonnement fra henholdsvis R35 og R34. Tabell 2 viser et eksempel på dette for TAT i Oslo kommune, fordelt på sentralområder. Netto ueffektuerte abonnement inneholder i denne tabellen også effektuerte, ikke oppdaterte abonnement. Steg 1 viser hvordan vi kommer fram til total etterspørsel pr 31.12.90. Ønsker vi i neste omgang å ha data for hva den årlige etterspørselen var i 1990, må vi gå til tilsvarende totaletterspørselstall for 1989 og trekke disse fra de nye tallene i tabellen. Vi skal imidlertid se bort fra dette i den videre gjennomgang. Steg 2: Rene sentralgrenser Sammenstillingen av tabell 2 gir som nevnt likevel ikke det fulle eller sanne bildet av totaletterspørselen i hvert sentralområde: Av ulike grunner er det slik at enkelte abonnement med adresse i en sentrals geografiske dekningsområde (det er dette som kalles sentralområde) er tilknyttet en sentral med annet geografisk dekningsområde. Slike tilfeller kalles nummerlån (eller fremmedtilknyttinger) mellom sentraler6 . Når vi skal finne de korrekte tall for status for totaletterspørselen i hvert sentralområde, må vi derfor “tilbakeføre” alle nummerlån til det sentralområdet som abonnementsadressen faktisk (geo- 6 I mange regioner er ikke nummerlån mellom sentralområdene praktisert. Hvis så er tilfellet, faller dette steget bort. grafisk) tilhører. Oversikt over dette finner vi i “nummerlån-statistikken”. Når denne korrigeringen er utført, sier vi at statistikkene viser etterspørsel fordelt på sentraler med “rene” sentralområdegrenser. Etterpå kan disse dataene summeres opp til f eks kommune-, teledistrikteller regiondata med rene sentralområdegrenser. Et eksempel på korrigering for nummerlån er gitt i tabell 3. Legg merke til den store variasjonen i nummerlån mellom de ulike sentralene. Mens Sørkedalen sentral verken låner nummer til eller fra noen andre sentraler, har f eks Centrum 6/7/8/10/FREE/3 utlånt hele 836 nummer (tilknyttinger) til andre sentraler, samtidig som sentralene (dette er flere sentraler som i sum dekker et sentralområde) har lånt 594 nummer fra andre sentraler. Netto utgjør imidlertid ikke dette mer enn -242 abonnement, selv om dette er et høyt nok tall på sentralområdenivå. Eksemplet illustrerer også et annet viktig poeng: Fra tid til annen foregår det “opprydding” i nummerlån, dvs at abonnementene blir tilbakekoplet til de sentraler som de geografisk tilhører. I den regulære statistikken fra TELSIS framkommer dette som endringer i tilgang eller etterspørsel for de aktuelle sentraler. Likevel er ikke dette tilfellet: Vi har bare hatt en nummeromkopling. Dette viser at det er viktig å ha oversikt over nummerlånene sentralene imellom og at det er viktig å vite når slike nummeromkoplinger skjer. Siden vi fokuserer på etterspørselen fra et geografisk avgrenset område er det m a o viktig at historikken viser hvordan denne utviklingen virkelig har vært. Det faktum at Televerket velger å kople enkelte abonnement opp mot en annen sentral enn den hvor abonnementet naturlig (geografisk) hører hjemme, må altså ikke bidra til at statistikkene gir et annet bilde av etterspørselsutviklingen enn den vi faktisk har hatt! Etterspørselsprognosene er altså prognoser for etterspørsel etter abonnement i geografiske områder som er uavhengige av hvor abonnementene fysisk blir tilkoplet7 . Steg 3: Justering for flytting av sentralgrenser Et annet viktig moment som må takles, er eventuell flytting av sentralgrenser. Når en sentral gir fra seg en del av sitt dekningsområde til en annen sentral, blir numrene/abonnementene i det aktuelle geografiske området koplet om fra den Tabell 2 Steg 1: Beregning av total etterspørsel etter TAT i Oslo kommune 31.12.90 Sentralområde i Antall inn- Netto ueff. Total Oslo kommune koplede TAT (R34) ettersp. TAT (R35) TAT (1) (2) (1)+(2) Furuset 14947 17 14964 Grorud 14611 42 14653 Stovner 12857 35 12892 Økern 22066 133 22199 Bryn 18588 34 18622 Holmlia 10489 52 10541 Kastellet 21531 68 21599 Øst 25646 92 25738 Fagerborg 5 187 68 255 Fagerborg 31301 322 31623 Frogner 25533 96 25629 Slemdal 15229 118 15347 Sørkedalen 228 0 228 Tåsen 15307 58 15365 Ullern 17141 27 17168 Åsen 20364 117 20481 Centrum 4/5/9 13765 126 13891 Centrum 6/7/m fl 18131 118 18249 Maridalen 0 0 0 Nord 23333 180 23513 Vaterland 4514 56 4570 Vika 5249 87 5336 Oslo kommune 331017 1846 332863 sum 71
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 68 and 69: (x 100) 22 17 12 68 7 2 -3 01/87 +
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?