سوال شماره 13532
چندگزینهای
آزمون نظام مهندسی ترافیک
در تحلیل سریهای زمانی ترافیکی، کدام روش برای پیشبینی دقیقتر الگوهای فصلی در دادههای روزانه مناسبتر است؟
گزینهها:
- 1. تحلیل روند با نرم افزار Excel
- 2. رگرسیون خطی ساده
- 3. مدل ARIMA با تفاضل گیری فصلی ✓ صحیح
- 4. میانگین متحرک نمایی
پاسخ صحیح:
- مدل ARIMA با تفاضل گیری فصلی
توضیحات:
مدل ARIMA با تفاضلگیری فصلی (که معمولاً به صورت SARIMA شناخته میشود) برای پیشبینی الگوهای فصلی در دادههای روزانه مناسب است زیرا:
- این مدل قادر است هم وابستگیهای کوتاهمدت (اتورگرسیو و میانگین متحرک) و هم الگوهای فصلی بلندمدت را در دادهها شناسایی کند
- تفاضلگیری فصلی به حذف روندهای فصلی از دادهها کمک میکند و سری زمانی را پایدار میسازد
- در دادههای ترافیکی روزانه که معمولاً الگوهای هفتگی، ماهانه و سالانه تکرارشونده دارند، این مدل میتواند این چرخههای فص