سوال شماره 13536
چندگزینهای
آزمون نظام مهندسی ترافیک
در تحلیل سریهای زمانی، کدام روش برای پیشبینی روندهای فصلی در دادههای ترافیکی مناسبتر است؟
گزینهها:
- 1. تحلیل همبستگی متقاطع
- 2. رگرسیون خطی ساده
- 3. روش میانگین متحرک نمایی
- 4. مدل ARIMA با تفاضل گیری فصلی ✓ صحیح
پاسخ صحیح:
- مدل ARIMA با تفاضل گیری فصلی
توضیحات:
مدل ARIMA با تفاضلگیری فصلی (Seasonal ARIMA یا SARIMA) برای پیشبینی روندهای فصلی در دادههای ترافیکی مناسب است زیرا:
- این مدل قادر است هم الگوهای فصلی و هم روندهای غیرفصلی را در دادهها شناسایی کند
- تفاضلگیری فصلی به حذف اثرات فصلی از دادهها کمک میکند و سری زمانی را پایدار میسازد
- دادههای ترافیکی معمولاً الگوهای فصلی قوی دارند (مثلاً تغییرات در ساعات مختلف روز، روزهای هفته یا فصلهای سال)
- این مدل میتواند همبستگیهای زمانی در دادههای ترافیکی را به خوبی مد