- •10.05.02 Информационная безопасность телекоммуникационных систем, специализация Защита информации в системах связи и управления (очная форма обучения)
- •1 Теоретическое описание call-центра
- •1.1. Call-центр: описание, назначение
- •1.2. Организация и возможности работы call-центра
- •1.3. Справочно-информационные и экстренные call-центры
- •1.4. Технические возможности call-центров
- •1.5. Внутреннее устройство работы call-центра
- •2 Расчёт количества операторов call-центра
- •2.1. Предпосылки для анализа характера закона распределения
- •2.2. Анализ характера закона распределения промежутков между поступлениями заявок
- •2.3. Подбор стандартного распределения вероятностей
- •2.4. Расчет вероятностных характеристик
- •3 Прогнозирование числа вызовов
- •3.1. Методы выявления тенденции временного ряда
- •3.2. Метод укрупнения интервалов
- •3.3. Метод скользящего среднего
- •3.4. Метод аналитического выравнивания
- •Заключение
- •Библиография
3.4. Метод аналитического выравнивания
С помощью программного пакета Excel построим график исходных данных, на котором отобразим 5 видов уравнений тренда.
Из 5 построенных линий тренда выберем 3, у которых величина достоверности аппроксимации наибольшая.
Рисунок 3.1 - График исходных данных и линий тренда
Для дальнейших исследований возьмём экспоненциальный, степенной и полиномиальный тренды.
Экспоненциальное уравнение линии тренда имеет вид:
(3.2)
Степенное уравнение линии тренда имеет вид:
(3.3)
Полиноминальное уравнение линии тренда имеет вид:
, (3.4)
где - номер месяца.
Рассчитаем значения методом аналитического выравнивания и запишем в таблицу 3.3.
Таблица 3.3 – Результаты расчёта
Номер месяца, х |
Исходные данные |
Экспоненциальная |
Степенная |
Полиномиальная |
1 |
11470 |
12607,20 |
10954,00 |
11901,27 |
2 |
12137 |
12722,45 |
11846,47 |
12151,61 |
3 |
12758 |
12838,75 |
12401,87 |
12395,01 |
4 |
11742 |
12956,12 |
12811,66 |
12631,48 |
5 |
15068 |
13074,56 |
13138,81 |
12861,01 |
6 |
13773 |
13194,08 |
13412,31 |
13083,61 |
7 |
12873 |
13314,69 |
13647,99 |
13299,27 |
8 |
13609 |
13436,41 |
13855,49 |
13508,00 |
9 |
13301 |
13559,24 |
14041,13 |
13709,79 |
10 |
12364 |
13683,19 |
14209,30 |
13904,65 |
Продолжение таблицы 3.3.
11 |
13332 |
13808,28 |
14363,16 |
14092,57 |
12 |
16314 |
13934,50 |
14505,08 |
14273,56 |
13 |
15201 |
14061,89 |
14636,87 |
14447,61 |
14 |
13959 |
14190,43 |
14759,96 |
14614,73 |
15 |
13460 |
14320,16 |
14875,48 |
14774,91 |
16 |
14631 |
14451,07 |
14984,36 |
14928,16 |
17 |
12767 |
14583,17 |
15087,36 |
15074,47 |
18 |
13656 |
14716,48 |
15185,13 |
15213,85 |
19 |
14600 |
14851,01 |
15278,18 |
15346,29 |
20 |
16712 |
14986,78 |
15367,00 |
15471,8 |
21 |
17657 |
15123,78 |
15451,95 |
15590,37 |
22 |
17793 |
15262,03 |
15533,39 |
15702,01 |
23 |
17339 |
15401,55 |
15611,62 |
15806,71 |
24 |
15765 |
15542,34 |
15686,88 |
15904,48 |
25 |
16333 |
15684,42 |
15759,41 |
15995,31 |
26 |
17038 |
15827,80 |
15829,40 |
16079,21 |
27 |
15605 |
15972,49 |
15897,06 |
16156,17 |
28 |
16486 |
16118,51 |
15962,52 |
16226,2 |
29 |
15976 |
16265,86 |
16025,94 |
16289,29 |
30 |
14240 |
16414,55 |
16087,45 |
16345,45 |
31 |
14449 |
16564,60 |
16147,17 |
16394,67 |
32 |
16344 |
16716,03 |
16205,21 |
16436,96 |
33 |
17314 |
16868,84 |
16261,65 |
16472,31 |
34 |
17428 |
17023,05 |
16316,60 |
16500,73 |
35 |
17220 |
17178,66 |
16370,14 |
16522,21 |
36 |
15932 |
17335,70 |
16422,33 |
16536,76 |
Далее необходимо рассчитать фактические минус теоретические значения(рассчитанные значения) для нахождения сезонной компоненты S для каждой зависимости.
Необходимо найти среднее значение за 3 года для всех 12 месяцев (обозначим Kср). Затем определить среднее значение полученных 12 результатов (обозначим Кср.общ). И тогда сезонная компонента для каждого месяца будет находиться как:
(3.5)
Таблица 3.4 – Расчёт S для экспоненциальной зависимости
Рассчитанные данные |
|
|||
Год 1 |
Год 2 |
Год 3 |
Среднее значение, Kср |
Сезонная компонента, S |
1139,10 |
1139,10 |
648,57 |
216,82 |
159,73 |
-231,44 |
-231,44 |
1210,19 |
131,09 |
74,01 |
-860,16 |
-860,16 |
-367,50 |
-436,14 |
-493,22 |
179,929 |
179,929 |
367,48 |
-222,23 |
-279,32 |
-1816,18 |
-1816,18 |
-289,86 |
-37,53 |
-94,61 |
-1060,49 |
-1060,49 |
-2174,56 |
-885,37 |
-942,46 |
-251,019 |
-251,019 |
-2115,61 |
-936,10 |
-993,19 |
1725,22 |
1725,22 |
-372,036 |
508,59 |
451,50 |
2533,21 |
2533,21 |
445,15 |
906,70 |
849,62 |
2530,96 |
2530,96 |
404,94 |
538,90 |
481,81 |
1937,44 |
1937,44 |
41,330 |
500,83 |
443,74 |
222,65 |
222,65 |
-1403,71 |
399,47 |
342,39 |
|
Кср.общ |
|
||
57,087 |
Таблица 3.5 – Расчёт S для степенной зависимости
Рассчитанные данные |
|
|||
Год 1 |
Год 2 |
Год 3 |
Среднее значение, Kср |
Сезонная компонента, S |
516,00 |
564,12 |
573,58 |
551,23 |
503,58 |
290,52 |
-800,96 |
1208,59 |
232,71 |
185,06 |
356,12 |
-1415,48 |
-292,06 |
-450,47 |
-498,12 |
-1069,66 |
-353,36 |
523,47 |
-299,85 |
-347,50 |
1929,18 |
-2320,37 |
-49,94 |
-147,04 |
-194,69 |
360,68 |
-1529,13 |
-1847,46 |
-1005,30 |
-1052,95 |
-774,99 |
-678,19 |
-1698,18 |
-1050,45 |
-1098,10 |
-246,49 |
1344,99 |
138,78 |
412,43 |
364,77 |
-740,13 |
2205,04 |
1052,34 |
839,08 |
791,43 |
-1845,30 |
2259,60 |
1111,39 |
508,56 |
460,91 |
-1031,16 |
1727,38 |
849,85 |
515,35 |
467,70 |
1808,91 |
78,1188 |
-490,33 |
465,56 |
417,91 |
|
Кср.общ |
|
||
47,65
|
Таблица 3.6 – Расчёт S для полиномеальной зависимости
Рассчитанные данные |
|
|||||
Год 1 |
Год 2 |
Год 3 |
Среднее значение, Kср |
Сезонная компонента, S |
||
-431,27 |
753,38 |
337,68 |
219,93 |
219,83 |
||
-14,61 |
-655,73 |
958,79 |
96,15 |
96,05 |
||
362,98 |
-1314,91 |
-551,17 |
-501,03 |
-501,12 |
||
-889,48 |
-297,16 |
259,80 |
-308,94 |
-309,04 |
||
2206,98 |
-2307,47 |
-313,29 |
-137,92 |
-138,02 |
||
689,39 |
-1557,85 |
-2105,45 |
-991,30 |
-991,39 |
||
-426,27 |
-746,293 |
-1945,67 |
-1039,41 |
-1039,51 |
||
101,00 |
1240,20 |
-92,96 |
416,08 |
415,98 |
||
-408,79 |
2066,62 |
841,68 |
833,17 |
833,07 |
||
-1540,65 |
2090,99 |
927,27 |
492,53 |
492,44 |
||
-760,57 |
1532,28 |
697,78 |
489,83 |
489,73 |
||
2040,44 |
-139,48 |
-604,76 |
432,06 |
431,97 |
||
|
Кср.общ |
|
||||
0,096 |
В каждой зависимости средняя сезонная компонента = 0, что говорит о правильности вычислений.
Далее необходимо рассчитать точность построенных моделей. Для этого рассчитаем ошибку ( ) и среднеквадратическое отклонение для построенных моделей:
(3.6)
Полученные значения сведем в таблицу 3.7.
Таблица 3.7 - Ошибка и среднеквадратическое отклонение значений моделей от реальных данных
Месяц |
Ошибка модели |
СКО модели |
||||
Экспоненциальной |
Степенной |
Полиномиальной |
Экспоненциальной |
Степенной |
Полиномиальной |
|
Январь |
-1296,94 |
12,41455 |
-2535,6 |
0,010320 |
1,17E-06 |
0,032776 |
Февраль |
-659,466 |
105,4604 |
-1019,44 |
0,002656 |
7,68E-05 |
0,006004 |
Март |
412,4697 |
854,2492 |
-1511,89 |
0,001116 |
0,005150 |
0,011225 |
Апрель |
-934,8 |
-722,16 |
-1215,64 |
0,005438 |
0,003357 |
0,008801 |
Май |
2088,058 |
2123,878 |
2151,996 |
0,025879 |
0,026922 |
0,027760 |
Июнь |
1521,379 |
1413,638 |
1102,345 |
0,015420 |
0,013082 |
0,007568 |
Июль |
551,4984 |
323,1129 |
400,0747 |
0,002003 |
0,000663 |
0,001028 |
Август |
-278,917 |
-611,27 |
550,8518 |
0,000403 |
0,001848 |
0,001779 |
Сентябрь |
-1107,87 |
-1531,56 |
2183,009 |
0,005912 |
0,010662 |
0,038553 |
Октябрь |
-1801,01 |
-2306,21 |
-881,786 |
0,016166 |
0,024713 |
0,004431 |
Ноябрь |
-920,025 |
-1498,87 |
27,46621 |
0,004167 |
0,010214 |
4,2E-06 |
Декабрь |
2037,1 |
1391,003 |
1677,765 |
0,020359 |
0,008688 |
0,013140 |
Продолжение таблицы 3.7.
Январь |
979,3702 |
60,54051 |
-1350,94 |
0,004742 |
1,6E-05 |
0,006661 |
Февраль |
-305,452 |
-986,026 |
-1660,56 |
0,000459 |
0,004353 |
0,011302 |
Март |
-366,936 |
-917,355 |
-3189,79 |
0,000704 |
0,004071 |
0,036703 |
Апрель |
459,252 |
-5,85958 |
-623,32 |
0,00105 |
1,6E-07 |
0,001669 |
Май |
-1721,56 |
-2125,67 |
-2362,46 |
0,014119 |
0,020373 |
0,024382 |
Июнь |
-118,025 |
-476,175 |
-1144,9 |
7,34E-05 |
0,001135 |
0,005983 |
Июль |
742,1767 |
419,9171 |
80,05474 |
0,002868 |
0,000877 |
3,0E-05 |
Август |
1273,717 |
980,2194 |
1690,052 |
0,006807 |
0,003882 |
0,012657 |
Сентябрь |
1683,595 |
1413,611 |
4658,429 |
0,011109 |
0,007574 |
0,128436 |
Октябрь |
2049,145 |
1798,69 |
2749,854 |
0,01694 |
0,012647 |
0,033415 |
Ноябрь |
1493,701 |
1259,675 |
2320,326 |
0,008886 |
0,006137 |
0,023869 |
Декабрь |
-119,739 |
-339,795 |
-502,155 |
5,68E-05 |
0,000445 |
0,000952 |
Январь |
488,833 |
70,00443 |
-1766,64 |
0,000952 |
1,85E-05 |
0,009526 |
Февраль |
1136,179 |
1023,525 |
-46,0359 |
0,005105 |
0,004085 |
7,2E-06 |
Март |
125,7268 |
206,0657 |
-2426,05 |
6,6E-05 |
0,000179 |
0,018103 |
Апрель |
646,8094 |
870,9786 |
-66,3599 |
0,001668 |
0,003111 |
1,6E-05 |
Май |
-195,241 |
144,7506 |
-368,284 |
0,000146 |
8,36E-05 |
0,000507 |
Июнь |
-1232,09 |
-794,503 |
-1692,5 |
0,006341 |
0,002793 |
0,011284 |
Июль |
-1122,41 |
-600,07 |
-1119,33 |
0,005196 |
0,00159 |
0,005169 |
Август |
-823,539 |
-225,99 |
356,8918 |
0,002301 |
0,000186 |
0,000498 |
Сентябрь |
-404,468 |
260,9116 |
3433,489 |
0,000521 |
0,000234 |
0,061187 |
Октябрь |
-76,8709 |
650,4821 |
1586,134 |
1,93E-05 |
0,001503 |
0,010024 |
Ноябрь |
-402,414 |
382,1537 |
1485,826 |
0,000521 |
0,000515 |
0,008917 |
Декабрь |
-1746,10 |
-908,249 |
-967,435 |
0,009756 |
0,002909 |
0,003277 |
|
|
|
среднее |
0,005840 |
0,005114 |
0,015768 |
Рассчитав среднее значение СКО для каждой из моделей, рассчитаем точность модели и занесем в таблицу 3.8:
(3.7)
Таблица 3.8 – Точность рассчитанных моделей
Точность модели, % |
||
Экспоненциальной |
Степенной |
Полиномиальный |
99,416 |
99,489 |
99,423 |
Из полученных данных видно, что наиболее точной является степенная модель. Тогда полное уравнение для прогнозирования:
(3.8)
Используя (3.8) получим данные для 37-го месяца:
Таким образом, имея набор статистических данных, методом аналитического выравнивания можно спрогнозировать данные на последующие несколько моментов времени. Но уровень их точности будет уменьшаться с увеличением дальности прогноза. Тем не менее, можно предугадать практически со 100% точностью количество вызовов для следующего месяца (в нашем случае).