سوال شماره 13524
چندگزینهای
آزمون نظام مهندسی ترافیک
در تحلیل سریهای زمانی، کدام روش برای پیشبینی روندهای فصلی در دادههای ترافیکی کارآمدتر است؟
گزینهها:
- 1. تحلیل همبستگی ساده
- 2. رگرسیون خطی چندمتغیره
- 3. روش میانگین متحرک نمایی
- 4. مدلسازی ARIMA با تنظیمات فصلی ✓ صحیح
پاسخ صحیح:
- مدلسازی ARIMA با تنظیمات فصلی
توضیحات:
مدلسازی ARIMA با تنظیمات فصلی (که به آن SARIMA نیز گفته میشود) برای پیشبینی روندهای فصلی در دادههای ترافیکی کارآمد است زیرا:
- این مدل بهطور خاص برای تحلیل سریهای زمانی با الگوهای فصلی طراحی شده است
- میتواند هم روندهای کوتاهمدت و هم الگوهای فصلی تکراری را در دادههای ترافیکی شناسایی کند
- پارامترهای فصلی آن به مدل اجازه میدهد الگوهای تکراری مانند ترافیک ساعات اوج صبح و عصر یا روزهای خاص هفته را در نظر بگیرد
- برای دادههای ترافیکی که معمولاً الگوهای فصلی قوی و قابل پیشبینی دارند، بسیار