سوال شماره 13531
چندگزینهای
آزمون نظام مهندسی ترافیک
در تحلیل سریهای زمانی، کدام روش برای پیشبینی روندهای فصلی در دادههای ترافیکی کاربرد مؤثرتری دارد؟
گزینهها:
- 1. تحلیل همبستگی متقاطع
- 2. رگرسیون خطی ساده
- 3. مدل ARIMA با تفاضلگیری فصلی ✓ صحیح
- 4. میانگین متحرک نمایی
پاسخ صحیح:
- مدل ARIMA با تفاضلگیری فصلی
توضیحات:
مدل ARIMA با تفاضلگیری فصلی (که اغلب به صورت SARIMA شناخته میشود) برای پیشبینی روندهای فصلی در دادههای ترافیکی بسیار مؤثر است.
دلیل این کاربرد مؤثر عبارت است از:
- این مدل قادر است هم الگوهای فصلی و هم روندهای غیرفصلی را در دادهها شناسایی و مدلسازی کند.
- تفاضلگیری فصلی به حذف اثرات فصلی از دادهها کمک میکند و سری زمانی را ایستا میسازد.
- دادههای ترافیکی معمولاً الگوهای فصلی قوی (مثلاً الگوهای روزانه، هفتگی یا سالانه) نشان میدهند که این مدل به