4G时代一种市场评估选择的方法研究

杜翠凤　蒋仕宝

【摘 要】日益复杂的移动市场竞争环境对市场份额预测提出了微区域、实时性的要求，掌握了微区域的市场份额，就能对微区域市场有一个比较全面的认识。基于此，结合扩展卡尔曼滤波算法在预测实时性方面的优点，提出了一种基于扩展卡尔曼滤波市场份额的实时预测算法，该算法可以通过对基站业务量的实时监测，实现对移动网市场份额的实时预测。实验结果表明，该算法具有良好的实时性和预测精确性。

【关键词】4G 微区域市场份额预测 卡尔曼滤波 实时性

中图分类号：TP399 文献标识码：A 文章编号：1006-1010（2014）-03-

1 引言

移动通信市场竞争日趋激烈，用户争夺战持续展开。由于市场态势的瞬息万变，运营商需要时时关注市场竞争状态和自身市场地位状况，市场份额无疑是一个重要的指标。对于未来4G网络的部署，移动运营商不仅需要知道自己在该微区域市场份额的情况，更需要知道该微区域市场份额的动态变化，以确定在该区域的市场地位，制定相应的资源投入策略。

国内有部分学者对通信市场的份额做了一些研究。文献[1]用博弈论分析了电信业重组后三寡头垄断下移动通信市场初期以及成熟期的市场份额，但是该方法只关注了初期和成熟期的市场份额，并没有对市场份额做一个实时的追踪方法，对三家运营商当前的市场份额无法测算，更不能评估微区域的三家运营商当前的市场份额，对市场的实施决策支撑作用有限；文献[2]通过引入效用函数与市场份额进行映射进而求出交通工具的市场份额，但是该方法在通信行业无法应用，主要是因为对于三家运营商提供的产品，无论是从服务还是价格都是不可知的，所以该模型无法从效用函数的角度分析三家运营商微区域的市场份额；文献[3]从总市场份额、服务市场份额和相对市场份额三个方面对市场份额的衡量方法进行了探讨。但是，上述研究都没有从微观角度衡量区域市场份额。移动通信运营商已经逐渐认识到数据流量的微区域市场份额的评估对资源的投入策略及4G的网络部署起到重要的支撑作用，并且想方设法利用大数据对4G微区域的市场份额进行实时预测。由于卡尔曼滤波算法具有复杂度较低、实时性好的特性，因此本文采用该算法预测微区域市场份额。

2 卡尔曼滤波原理

2.1 基于数据流量预测的微区域市场份额模型

在移动通信网络中，运营商网络的数据流量是可以定时自动采集的，实时业务量与微区域市场份额存在一定的映射关系。由于用户存在较大的流动性，对微区域用户数的计算是相当困难的，因此通过扩展卡尔曼滤波对微区域业务量预测处理，再利用微区域数据流量与微区域市场份额的映射关系将微区域数据流量转化为微区域市场份额，实现对微区域市场份额的预测。如图1所示：

图1 移动网实时市场份额预测算法

宏区域由一个或者多个微区域组成，如图2所示：

图2 宏区域与微区域的关系

宏区域中各运营商的数据流量和市场份额是可以通过官方或者政府部门统计获得，而微区域则无法得到各运营商的数据流量和市场份额。一般来讲，由于竞争的保密性要求，一个运营商只知道自身在每个微区域的运营数据，而不知道其他运营商的数据。

假设宏区域H的三大运营商（移动、联通和电信）的数据流量为（M移，M联，M电），对应的市场份额为（P移，P联，P电），若宏区域H拥有N个微区域（w1，w2，…，wN），且每个微区域可得知其移动数据流量（m1，m2，…，mN）。由于移动运营商无法得到其他运营商在其微区域的数据流量，因此需要通过对各运营商在每个微区域的数据流量预测，从而预测各运营商在每个微区域的市场份额。假设第i个微区域的各运营商市场份额为（Pi移，Pi联，Pi电），且各运营商的市场份额满足：

Pi移+Pi联+Pi电=1 （1）

定义状态变量为：

x=（P1移，P1联，P1电，P2移，P2联，P2电，…，PN移，PN联，PN电）

（2）

则宏区域H的各运营商数据流量可以表示为：

（3）

定义预测矩阵T为：

（4）

则状态变量x和协方差矩阵P定义为：

（5）

其中，Qk是在第k次迭代的过程激励协方差矩阵。在EKF（Extended Kalman Filter，扩展卡尔曼滤波）的观察步骤中，雅可比矩阵J、观察残余变量y和残余协方差矩阵S定义为：

（6）

（7）

（8）

其中，mk、Rk是在第k次迭代的观察变量和观众噪声协方差矩阵。k+1|k代表前一次的估计值，k+1|k+1r代表当前估计值。在更新步骤中，协方差矩阵由卡尔曼增益K计算得到：

（9）

（10）

（11）

其中，I为单位矩阵。

基于扩展卡尔曼滤波的微区域市场份额算法流程如图3所示：

图3 扩展卡尔曼滤波的微区域市场份额算法流程

2.2 实验分析

为了验证算法的有效性，本文通过某省的运营商数据流量进行测试。在实验中，只采用六个微区域数据进行预测：埠龙乡、打安镇、金波乡、九架、民中和南开乡。EKF中的R和Q通过文献[3]可以计算得到六个微区域所组成的宏区域数据流量及市场份额，如表1所示：

表1 某省的宏区域市场份额

指标 2012年

1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月

数据流量/GB 23.6 22.0 25.8 23.2 23.2 24.6 24.5 25.0 25.7 27.2 28.5 29.5

市场份额/% 13.4 12.6 13.9 12.1 12.9 12.8 13.5 13.6 12.4 13.0 12.9 13.3endprint

图4给出了六个微区域的预测情况。其中，红色为本算法通过扩展卡尔曼算法进行预测的移动在各个微区域的市场份额；蓝色为移动在各个微区域的真实市场份额。从图4可以看到，本算法可以准确地预测移动运营商在各个微区域的市场份额。

（a） （b）

（c） （d）

（e） （f）

图4 六个微区域市场份额预测结果

扩展卡尔曼滤波预测准确率与迭代次数存在一定的关系，如图5所示。可以看到，当迭代次数达到70次左右时，准确率趋向稳定。

图5 EKF迭代次数与准确率的关系

3 总结

本文提出了基于扩展卡尔曼滤波的市场份额预测算法，通过预测各个微区域的数据流量映射关系，从而计算各个运营商在各个微区域的市场份额，并采用某省六个微区域对本算法进行验证，实验证明其可以准确地预测某运营商各个微区域的市场份额。因此，在4G网络部署中，运营商能够清楚获知自己在该区域的地位，进而可以对自己优势区域采取优先部署的措施，从而达到资源优化配置的目的；对微区域市场做出相比于传统更加精准的分析，对于4G网络部署的孤岛式部署的特点，能够实时分析部署4G网络之后市场份额是增加还是减少，并找出市场份额增加或者减少的原因，对未部署的地区提供了实证参考。

参考文献：

[1] 程子阳，Sunanda Sangwan，关冲，等. 中国移动通信市场份额分析[J]. 经济与管理， 2008（9）： 49-52.

[2] 沈睿，刘凯. 运输产品市场份额预测模型的研究[J]. 铁道运输与经济， 2001（2）： 29-32.

[3] Alfred R exenfeldt. How to Use Market-Share Measurement[J]. Harvard Business Review， 1969： 9-68.

[4] David M Szymanski， Sundar G Bharadwaj， P Rajan Varadarajan. An Analysis of the Market Share-Profitability Relationship[J]. Journal of Marketing， 1993，57（3）： 11-18.

[5] Vinay A Bavdekar， Anjali P Deshpande， Sachin C Patwardhan. Identification of process and measurement noise covariance for state and parameter estimation using extended Kalman filter[J]. Journal of Process Control， 2011，21（4）： 585-601.★endprint

图4给出了六个微区域的预测情况。其中，红色为本算法通过扩展卡尔曼算法进行预测的移动在各个微区域的市场份额；蓝色为移动在各个微区域的真实市场份额。从图4可以看到，本算法可以准确地预测移动运营商在各个微区域的市场份额。

（a） （b）

（c） （d）

（e） （f）

图4 六个微区域市场份额预测结果

扩展卡尔曼滤波预测准确率与迭代次数存在一定的关系，如图5所示。可以看到，当迭代次数达到70次左右时，准确率趋向稳定。

图5 EKF迭代次数与准确率的关系

3 总结

本文提出了基于扩展卡尔曼滤波的市场份额预测算法，通过预测各个微区域的数据流量映射关系，从而计算各个运营商在各个微区域的市场份额，并采用某省六个微区域对本算法进行验证，实验证明其可以准确地预测某运营商各个微区域的市场份额。因此，在4G网络部署中，运营商能够清楚获知自己在该区域的地位，进而可以对自己优势区域采取优先部署的措施，从而达到资源优化配置的目的；对微区域市场做出相比于传统更加精准的分析，对于4G网络部署的孤岛式部署的特点，能够实时分析部署4G网络之后市场份额是增加还是减少，并找出市场份额增加或者减少的原因，对未部署的地区提供了实证参考。

参考文献：

[1] 程子阳，Sunanda Sangwan，关冲，等. 中国移动通信市场份额分析[J]. 经济与管理， 2008（9）： 49-52.

[2] 沈睿，刘凯. 运输产品市场份额预测模型的研究[J]. 铁道运输与经济， 2001（2）： 29-32.

[3] Alfred R exenfeldt. How to Use Market-Share Measurement[J]. Harvard Business Review， 1969： 9-68.

[4] David M Szymanski， Sundar G Bharadwaj， P Rajan Varadarajan. An Analysis of the Market Share-Profitability Relationship[J]. Journal of Marketing， 1993，57（3）： 11-18.

[5] Vinay A Bavdekar， Anjali P Deshpande， Sachin C Patwardhan. Identification of process and measurement noise covariance for state and parameter estimation using extended Kalman filter[J]. Journal of Process Control， 2011，21（4）： 585-601.★endprint

图4给出了六个微区域的预测情况。其中，红色为本算法通过扩展卡尔曼算法进行预测的移动在各个微区域的市场份额；蓝色为移动在各个微区域的真实市场份额。从图4可以看到，本算法可以准确地预测移动运营商在各个微区域的市场份额。

（a） （b）

（c） （d）

（e） （f）

图4 六个微区域市场份额预测结果

扩展卡尔曼滤波预测准确率与迭代次数存在一定的关系，如图5所示。可以看到，当迭代次数达到70次左右时，准确率趋向稳定。

图5 EKF迭代次数与准确率的关系

3 总结

本文提出了基于扩展卡尔曼滤波的市场份额预测算法，通过预测各个微区域的数据流量映射关系，从而计算各个运营商在各个微区域的市场份额，并采用某省六个微区域对本算法进行验证，实验证明其可以准确地预测某运营商各个微区域的市场份额。因此，在4G网络部署中，运营商能够清楚获知自己在该区域的地位，进而可以对自己优势区域采取优先部署的措施，从而达到资源优化配置的目的；对微区域市场做出相比于传统更加精准的分析，对于4G网络部署的孤岛式部署的特点，能够实时分析部署4G网络之后市场份额是增加还是减少，并找出市场份额增加或者减少的原因，对未部署的地区提供了实证参考。

参考文献：

[1] 程子阳，Sunanda Sangwan，关冲，等. 中国移动通信市场份额分析[J]. 经济与管理， 2008（9）： 49-52.

[2] 沈睿，刘凯. 运输产品市场份额预测模型的研究[J]. 铁道运输与经济， 2001（2）： 29-32.

[3] Alfred R exenfeldt. How to Use Market-Share Measurement[J]. Harvard Business Review， 1969： 9-68.

[4] David M Szymanski， Sundar G Bharadwaj， P Rajan Varadarajan. An Analysis of the Market Share-Profitability Relationship[J]. Journal of Marketing， 1993，57（3）： 11-18.

[5] Vinay A Bavdekar， Anjali P Deshpande， Sachin C Patwardhan. Identification of process and measurement noise covariance for state and parameter estimation using extended Kalman filter[J]. Journal of Process Control， 2011，21（4）： 585-601.★endprint