二次移动平均法预测交通量实例及代码

二次移动平均法是一种时间序列预测方法，适用于数据具有周期性的情况。下面给出一个预测交通量的实例及代码：

假设我们有一段时间序列数据，表示某条路上每小时的交通量，如下所示：

data = [100, 120, 150, 180, 200, 220, 240, 250, 260, 270, 280, 290, 300, 280, 250, 220, 200, 180, 150, 120, 100]

我们希望利用二次移动平均法来预测下一个小时的交通量。

首先，我们需要计算一次移动平均数和一次移动方差数：

def moving_average(data, n):
    """
    计算一次移动平均数
    """
    return [sum(data[i:i+n])/n for i in range(len(data)-n+1)]

def moving_variance(data, n):
    """
    计算一次移动方差数
    """
    mean = moving_average(data, n)
    return [(sum([(x-mean[i])**2 for x in data[i:i+n]])/n) for i in range(len(data)-n+1)]

# 计算一次移动平均数和一次移动方差数
ma1 = moving_average(data, 3)
va1 = moving_variance(data, 3)

然后，我们可以利用一次移动平均数和一次移动方差数来计算二次移动平均数和二次移动方差数：

def moving_average2(data, n):
    """
    计算二次移动平均数
    """
    ma1 = moving_average(data, n)
    return moving_average(ma1, n)

def moving_variance2(data, n):
    """
    计算二次移动方差数
    """
    ma1 = moving_average(data, n)
    va1 = moving_variance(data, n)
    ma2 = moving_average(ma1, n)
    return [(sum([(x-ma2[i])**2 for x in ma1[i:i+n]])/n) for i in range(len(ma1)-n+1)]

# 计算二次移动平均数和二次移动方差数
ma2 = moving_average2(data, 3)
va2 = moving_variance2(data, 3)

最后，我们可以利用二次移动平均数和二次移动方差数来预测下一个小时的交通量：

def predict_traffic(data, n):
    """
    预测下一个小时的交通量
    """
    ma2 = moving_average2(data, n)
    va2 = moving_variance2(data, n)
    predict = ma2[-1] + (ma2[-1] - ma2[-2])/n
    error = va2[-1]**0.5
    return predict, error

# 预测下一个小时的交通量
predict, error = predict_traffic(data, 3)
print(f"预测结果为：{predict}, 误差为：{error}")

参考文献：

- 《Python数据分析实战》