二次移动平均法交通量预测RMSE、MAE、MAPE、MRE代码

以下是使用二次移动平均法进行交通量预测的代码，包括计算RMSE、MAE、MAPE和MRE指标的代码：

import numpy as np
import pandas as pd
from sklearn.metrics import mean_squared_error, mean_absolute_error

# 二次移动平均法交通量预测
def quadratic_moving_average(data, n):
    data = np.array(data)
    ma1 = np.convolve(data, np.ones(n)/n, mode='valid')
    ma2 = np.convolve(ma1, np.ones(n)/n, mode='valid')
    return ma2

# 计算RMSE、MAE、MAPE、MRE指标
def evaluate(y_true, y_pred):
    rmse = np.sqrt(mean_squared_error(y_true, y_pred))
    mae = mean_absolute_error(y_true, y_pred)
    mape = np.mean(np.abs((y_true - y_pred) / y_true)) * 100
    mre = np.mean((y_true - y_pred) / y_true) * 100
    return rmse, mae, mape, mre

# 读取数据
data = pd.read_csv('traffic.csv', index_col=0, parse_dates=True)

# 划分训练集和测试集
train = data.loc['2019-01':'2019-06']
test = data.loc['2019-07':'2019-12']

# 预测测试集交通量
n = 4
pred = quadratic_moving_average(train['traffic'], n)[-6:]
y_true = test['traffic'].values

# 计算评价指标
rmse, mae, mape, mre = evaluate(y_true, pred)

print('RMSE:', rmse)
print('MAE:', mae)
print('MAPE:', mape)
print('MRE:', mre)

其中，`data`是包含交通量数据的DataFrame，`train`和`test`分别为训练集和测试集，`n`为移动平均窗口大小，`pred`为预测结果，`y_true`为测试集真实值。`quadratic_moving_average`函数实现了二次移动平均法，`evaluate`函数计算了RMSE、MAE、MAPE和MRE指标。