سوال شماره 13533
چندگزینهای
آزمون نظام مهندسی ترافیک
در تحلیل سریهای زمانی ترافیکی، کدام روش برای پیشبینی دقیقتر الگوهای فصلی در دادههای با نوسانات بالا مناسبتر است؟
گزینهها:
- 1. تحلیل رگرسیون خطی کلاسیک
- 2. روش هموارسازی نمایی ساده
- 3. مدل ARIMA با تفاضلگیری فصلی ✓ صحیح
- 4. میانگین متحرک وزندار کوتاهمدت
پاسخ صحیح:
- مدل ARIMA با تفاضلگیری فصلی
توضیحات:
مدل ARIMA با تفاضلگیری فصلی (Seasonal ARIMA یا SARIMA) برای پیشبینی الگوهای فصلی در دادههای پرنوسان مناسب است زیرا:
- تفاضلگیری فصلی به حذف روندهای تکراری فصلی کمک میکند و دادهها را ایستا میسازد
- این مدل همزمان مولفههای فصلی و غیرفصلی را در نظر میگیرد
- در دادههای با نوسانات بالا، پارامترهای مدل میتوانند تغییرپذیری سیستم را مدلسازی کنند
- SARIMA میتواند همبستگیهای زمانی در فواصل فصلی را شناسایی و استفاده کند