Донецкий технический национальный университет

Доход является основным фактором экономического и социального развития для предприятия. Поэтому экономически обоснованное планирование доходности тарифов за предоставляемые услуги телекоммуникационного предприятия имеет очень большое значение. А, следовательно, задача прогнозирования объемов услуг связи, потребляемых абонентами по нововведенным тарифам, является крайне актуальной.

В результате исследования данного вопроса мы знаем, что для решения подобных задач было использовано ряд методов, алгоритмов и подходов. Среди них можно выделить методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем ("наивные" модели, методы среднего и скользящего среднего, методы Хольта и Брауна, метод Винтерса, регрессионные методы прогнозирования, методы Бокса-Дженкинса (ARIMA), авторегрессионые модели), метод имитационного моделирования, генетические алгоритмы. Однако они обладают рядом недостатков таких, например, как низкое качество решений (значение погрешности неприемлемо), невозможность применения к задачам большой размерности (для работы с реальными базами данных), время поиска решения и т.п.

Задача прогнозирования доходности внедряемого тарифа может быть сформулирована как прогнозирование количества пользования услугами по новому внедряемому тарифу абонентами телекоммуникационного предприятия и состоит из двух этапов: 1. Обучение тестовой выборки. 2. Собственно прогнозирование. Для решения предложенной задачи была разработана нейросетевая модель бизнес-прогнозирования. Следует отметить о необходимости реальных данных биллинговой системы за прошлые периоды (т.е. сколько потребляли клиенты предприятия по старому тарифу, предположим, за прошлый квартал). В биллиноговой системе есть данные о потребляемых услугах тестовой выборкой до введения нового тарифа. Берем данные за последние три месяца. Также есть данные за последние три месяца пользования новым тарифом.

Стадия обучения заключается в следующем: на вход нейросети подаются данные о расходах за предыдущий квартал (по старым тарифам) на выходе получаем данные текущего (по новым тарифам) квартала. Таким образом, получаем связь между тем, что было до введения новых тарифов, и тем, что получим после введения новых тарифов для каждой группы пользователей. Входами нейросети являются: 1. Потребление по каждой услуге. 2. Затраты абонента по каждой услуге. 3. Число бесплатных (льготных минут) по каждой услуге. Выход - объем потребления каждой услуги в новом тарифе.

Этап прогнозирования имеет следующий смысл. Поскольку нет возможности перебрать всех пользователей и для каждого построить прогноз, это физически невозможно, потому весь дамп данных о пользовании услугами разбивается на группы. Параметр, по которому проводим разбиение – текущий тарифный план, с определенным набором услуг. Тарифы определяем как Ti. В каждом тарифе можно разбить пользователей на Gl групп. Каждая группа представляет пользователей с определенным объемом потребления услуг в целом и каждой услуги Uij в частности. Uij – это j-я услуга в i-ом тарифе. Необходимо, чтобы количество рассматриваемых групп внутри тарифа было достаточно большим. Для каждой из Gl групп, тарифа Ti строим прогноз объема потребления каждой из Uij услуг. Результат прогноза это усредненный объем потребления услуги Uij в l-ой группе. Таким образом, проанализировав результаты прогнозирования, делаем вывод о доходности или убыточности нового тарифа.

Программная реализация предложенного метода (модели) была выполнена на языке высокого уровня в среде MATLAB 5.2.0. Результатом работы алгоритма и собственно программы является прогноз количества услуг, потребляемых абонентами предприятия по новому внедряемому тарифу. Результатом работы программы является тариф, выбранный оптимальным (максимально доходным) из нескольких предложенных для внедрения.