Modeling Trend in Telecommunication in Sri Lanka: A Case study on Internet and Cellular Connections
Notice bibliographique
Résumé
The telecommunication is one of the modes of communication, in which most investments are made. It consists of internet, mobile phones, wired and wireless fixed phones, fax, televisions, radio and some other. Among them, demand for internet and cellular phones rapidly increases. For a smooth function of this business, knowledge on demand is much important. Effective forecasts help a business to manage its supply efficiently. This study aimed to find out an accurate mechanism for prediction of demand for internet conections and cellualr phone collections.Based on the secondary data available in central bank reports from 1996 to 2016, several statistical forecasting models were evaluated for an accurate prediction. There can be seen an increasing demand for both internet and cellular phone connections. Number of internet connections has gone up from 4 110 to 4 921 000, while the usage of cellular phones has developed from 71 228 to 26 228 000 during this period. Rapid growth in internet usage has happened after 2009, while after year 2003, usage of cellular phone has increased rapidly. With compared to models fitted for original form of data, models for log transformed data show better performances. The best performance in prediction of internet connection was given by ARIMA (1,1,1) model fitted for log transformed data, meanwhile ARIMA (0,1,2) model fitted for log transformed data showed the best fit for series of cellular connections. Double exponential smoothing models also show better fit for both series.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».