Повышение надежности систем охранной сигнализации

УДК 621.398:654.924.3.019.3

Ким Н.А., Лещинская Э.М.

(АУЭС)

Повышение надежности систем охранной сигнализации

Выполнено исследование потока заявок, поступающих в пункт технического обслуживания в связи с отказами в работе охранного оборудования. Рассчитан краткосрочный прогноз числа возможных отказов систем охранной сигнализации.

Быстрое и качественное обслуживание является одним из ключевых факторов успешности компании, которая предоставляет охранные услуги. Эффективное использование технических специалистов компании позволяет в кратчайшие сроки решать возникающие проблемы клиентов, что повышает надежность систем охранной сигнализации. Причины обращения к услугам компании носят различный характер: сбои в работе оборудования, необходимость переноса оборудования, разрядка аккумуляторов, потребность в установке дополнительного оборудования.

Обслуживающая компания сталкивается с проблемой возникновения пиковой нагрузки из-за поступления значительного числа заявок на обслуживание, что требует определенных дополнительных действий (закупки необходимого оборудования, расширения штата сотрудников и т.п.).

Своевременную информацию о возможном увеличении числа заявок можно получить в результате статистического моделирования процесса поступления заявок об отказах систем сигнализации.

Целью статьи является разработка модели краткосрочного прогнозирования числа возможных вызовов, вызванных отказами систем охранной сигнализации, и расчет прогнозных значений на ближайшие дни месяца.

Модель строилась на основе статистики, собранной за 2 месяца работы компании, предоставляющей охранные услуги. Статистика вызовов на обслуживание собрана ежесуточно за апрель и май 2016 года. Для прогнозирования использован метод экспоненциального сглаживания, в соответствии с которым прогнозируемое значение числа заявок на момент времени t определяется по следующей формуле:

 

,

 

где - постоянная сглаживания ;

- текущее значение числа вызовов;

- прогнозная оценка на момент времени t-1.

Для построения модели был использован усеченный временной ряд, содержащий 55 уровней, а не 61, как исходный ряд динамики. Это позволило рассчитать прогнозные значения на оставшиеся 6 дней месяца и сравнить их с известными фактическими значениями уровней ряда.

Прогнозирование проводилось с использованием пакета STATISTICA на базе моделей экспоненциального сглаживания с коэффициентом сглаживания α, равным 0,1; 0,5 и 0,9. Период прогнозирования составлял 1-6 дней.

Результаты моделирования представлены на рисунках 1, 2 и 3 и в таблице 1.

 

 

Рисунок 1 - Экспоненциальное сглаживание числа вызовов при α = 0,1

Рисунок 2 - Экспоненциальное сглаживание числа вызовов при α = 0,5

Рисунок 3 - Экспоненциальное сглаживание числа вызовов при α = 0,9

Сглаженные уровни ряда представлены в виде кривой Smoothed.

Уровни исходного ряда отображены кривой СУММА. Кривая Resids характеризует отклонения сглаженных уровней ряда от исходных.

 

Таблица 1 - Результаты прогнозирования уровней ряда числа вызовов методом экспоненциального сглаживания

Дата	Константы
Фактические значения
26.05.16		4,35	4,64	5,78
27.05.16		4,35	4,64	5,78
28.05.16		4,35	4,64	5,78
29.05.16		4,35	4,64	5,78
30.05.16		4,35	4,64	5,78
31.05.16		4,35	4,64	5,78

 

Прогнозируемое число вызовов составило 4,35 при α = 0,1. При коэффициентах сглаживания α = 0,5 и α = 0,9 данное число составило 4,64 и 5,78 соответственно.

Для определения лучшей модели рассчитана ошибка
аппроксимации :

,

 

где х_ф – фактическое значение уровня ряда,

х_пр – прогнозируемое значение.

В таблицах 2-4 приведен расчет ошибок прогнозирования при разных значениях постоянной сглаживания.

Таблица 2 – Оценка точности прогноза при α = 0,1

Дата			Абсолютная ошибка	Относительная ошибка	Средняя ошибка
26.05.16		4,35	0,65		16,2
27.05.16		4,35	-0,35	8,75
28.05.16		4,35	-0,35	8,75
29.05.16		4,35	-1,35
30.05.16		4,35	0,65
31.05.16		4,35	-0,35	8,75

 

Таблица 3 – Оценка точности прогноза при α = 0,5

Дата			Абсолютная ошибка	Относительная ошибка	Средняя ошибка
26.05.16		4,64	0,36	7,2	19,5%
27.05.16		4,64	-0,64
28.05.16		4,64	-0,64
29.05.16		4,64	-1,64	54,6
30.05.16		4,64	0,36	7,2
31.05.16		4,64	-0,64

 

Таблица 4 – Оценка точности прогноза при α = 0,9

Дата			Абсолютная ошибка	Относительная ошибка	Средняя ошибка
26.05.16		5,78	-0,78	15,6	42,9%
27.05.16		5,78	-1,78	44,5
28.05.16		5,78	-1,78	44,5
29.05.16		5,78	-2,78	92,7
30.05.16		5,78	-3,78	15,6
31.05.16		5,78	-1,78	44.5

 

Ошибка аппроксимации принимает минимальное значение при α = 0,1 и составляет 16,2%. Результаты расчета показывают, что достаточно точный прогноз получен при прогнозировании на 1-3 дня. В этом случае средняя ошибка аппроксимации составляет 10,17%. При более высоких значениях периода прогнозирования точность прогноза резко снижается.

Поступление новых данных требует регулярного пересчета прогнозируемого числа заявок на последующие временные периоды.

Статистическое моделирование нагрузки в динамике дает возможность предварительно принять все необходимые меры при ожидаемом увеличении числа заявок на обслуживание.

Краткосрочное прогнозирование уровня предстоящей нагрузки охранной компании позволит более эффективно производить обслуживание клиентов, что положительно отразится на надежности систем охранной сигнализации.

 

 

Список литературы

 

1. Синилов В.Г. Системы охранной, пожарной и охранно-пожарной сигнализации. – М.: «Академия», 2014.

2. Лещинская Э.М. Моделирование в телекоммуникациях. Учебное пособие. - Алматы, АУЭС, 2016.