Feedforward Neural Networks and the Forecasting of Multi-Sectional Demand for Telecom Services : a Comparative Study of Effectiveness for Hourly Data

• Autorzy: Paweł Kaczmarczyk

Warianty tytułu

Jednokierunkowe sieci neuronowe w prognozowaniu wieloprzekrojowego popytu na usługi telefoniczne - porównawcze badania efektywności dla danych godzinowych

• Języki publikacji: EN

Abstrakty

EN

The presented research focuses on the construction of a model to effectively forecast demand for connection services - it is thus relevant to the Prediction System (PS) of telecom operators. The article contains results of comparative studies regarding the effectiveness of neural network models and regressive-neural (integrated) models, in terms of their short-term forecasting abilities for multi-sectional demand of telecom services. The feedforward neural network was used as the neural network model. A regressive-neural model was constructed by fusing the dichotomous linear regression of multi-sectional demand and the feedforward neural network that was used to model the residuals of the regression model (i.e. the residual variability). The response variable was the hourly counted seconds of outgoing calls within the framework of the selected operator network. The calls were analysed within: type of 24 hours (e.g. weekday/weekend), connection categories, and subscriber groups. For both compared models 35 explanatory variables were specified and used in the estimation process. The results show that the regressive-neural model is characterised by higher approximation and predictive capabilities than the non-integrated neural model. (original abstract)

Zaprezentowane wyniki badań są związane z systemem prognostycznym przeznaczonym dla operatorów telekomunikacyjnych, ponieważ są skoncentrowane na sposobie konstrukcji modelu do efektywnego prognozowania popytu na usługi połączeniowe. Artykuł zawiera wyniki porównawczych badań efektywności modelu sieci neuronowej i modelu regresyjno-neuronowego (zintegrowanego) w zakresie krótkookresowego prognozowania zapotrzebowania na usługi telefoniczne. Jako model sieci neuronowej zastosowany został model sieci jednokierunkowej. Model regresyjno-neuronowy został zbudowany na podstawie połączenia dychotomicznej regresji liniowej wieloprzekrojowego popytu i jednokierunkowej sieci neuronowej, która służyła do modelowania reszt modelu regresji (tj. pozostałej zmienności). Zmienną objaśnianą były sumowane co godzinę liczby sekund rozmów wychodzących z sieci wybranego operatora. Połączenia telefoniczne były analizowane pod względem: typów doby, kategorii połączeń i grup abonentów. Wyszczególniono 35 zmiennych objaśniających, które wykorzystano w procesie estymacji obu porównywanych modeli. Stwierdzono, że model regresyjno-neuronowy charakteryzuje się większymi możliwościami aproksymacyjnymi i predykcyjnymi niż niezintegrowany model neuronowy. (abstrakt oryginalny)

Słowa kluczowe

EN

Neural networks; Forecasting; Reference models

PL

Sieci neuronowe; Prognozowanie; Modele referencyjne

• Czasopismo: Acta Scientiarum Polonorum. Oeconomia
• Rocznik: 19 (2020)
• Numer: nr 3
• Strony: 13--25

Twórcy

autor

Paweł Kaczmarczyk

• The State University of Applied Sciences in Płock, Poland

Bibliografia

• Box, G.E.P., Jenkins, G.M., Reinsel, G.C. (1994). Time Series Analysis. Forecasting and Control. Prentice Hall, Englewood Clifs.
• Daft, R.L., Marcic, D. (2011). Understanding Management. South-Western Cengage Learning, Mason.
• Dittmann, P., Szabela-Pasierbińska, E., Dittmann, I., Szpulak, A. (2011). Prognozowanie w za rządzaniu sprzedażą i finansami przedsiębiorstwa. Wolters Kluwer Polska, Warszawa.
• Griffin, R. (2015). Fundamentals of Management. Cengage Learning, Boston.
• Kaczmarczyk, P. (2006). Neuronowe i regresyjno-neuronowe modelowanie i prognozowanie zjawisk ekonomicznych. Empiryczna weryfikacja porównawcza. Zeszyty Naukowe PWSZ w Płocku, Nauki Ekonomiczne, 5, 209-218.
• Kaczmarczyk, P. (2016). Integrated Model of Demand for Telephone Services in Terms of Mi croeconometrics. Folia Oeconomica Stetinensia, 16, 72-83. https://doi. org/10.1515/foli-2016-0026
• Kaczmarczyk, P. (2017). Microeconometric Analysis of Telecommunication Services Market with the Use of SARIMA Models. Dynamic Econometric Models, 17, 41-57. https://doi.org/10.12775/DEM.2017.003
• Makridakis, S., Wheelwright, S.C. (1989). Forecasting Methods for Management. J. Wiley, New York.
• Makridakis, S., Wheelwright, S.C., Hyndman, R.J. (1998). Forecasting Methods and Applica tions. J. Wiley, New York.
• Masters, T. (1993). Practical Neural Network Recipes in C++. Academic Press, Inc, San Diego.
• Rojas, R. (2013). Neural Networks: A systematic introduction. Springer Science & Business Media, Berlin.
• Smith, K.A., Gupta, J.N.D. (2002). Neural Networks in Business: Techniques an Applications. PA: Idea Group Publishing, Hershey.
• Tiliouine, H. (2007). Comparative study of learning methods for artificial network. Pomiary Automatyka Kontrola, 4, 117-121.
• Zhang G.P. (2004). Neural Networks in Business Forecasting. PA: Idea Group Publishing, Hershey.

Identyfikatory

DOI

10.22630/ASPE.2020.19.3.24