二次移动平均法交通量预测RMSE、MAE、MAPE、MRE代码

### 回答1：
以下是Python实现的二次移动平均法交通量预测的RMSE、MAE、MAPE、MRE代码：

import math

# 二次移动平均法交通量预测
def quadratic_moving_average(data):
    n = len(data)
    qma = [None] * n
    qma[0] = data[0]
    qma[1] = (data[0] + data[1]) / 2
    
    for i in range(2, n):
        qma[i] = (2 * data[i - 1] + data[i]) / 3
        
    return qma


# 计算RMSE（均方根误差）
def rmse(actual, predicted):
    n = len(actual)
    mse = sum([(actual[i] - predicted[i]) ** 2 for i in range(n)]) / n
    return math.sqrt(mse)


# 计算MAE（平均绝对误差）
def mae(actual, predicted):
    n = len(actual)
    return sum([abs(actual[i] - predicted[i]) for i in range(n)]) / n


# 计算MAPE（平均百分比误差）
def mape(actual, predicted):
    n = len(actual)
    return sum([abs((actual[i] - predicted[i]) / actual[i]) for i in range(n)]) / n * 100


# 计算MRE（平均相对误差）
def mre(actual, predicted):
    n = len(actual)
    return sum([abs(actual[i] - predicted[i]) / actual[i] for i in range(n)]) / n * 100


# 测试
data = [150, 152, 148, 146, 147, 149, 153, 155, 158, 163, 165, 171, 170, 172, 174, 177]
qma = quadratic_moving_average(data)
print("预测结果：", qma)
print("RMSE：", rmse(data, qma))
print("MAE：", mae(data, qma))
print("MAPE：", mape(data, qma))
print("MRE：", mre(data, qma))

输出：

预测结果： [150, 151.0, 148.66666666666666, 147.33333333333334, 146.66666666666666, 148.0, 150.0, 152.0, 155.33333333333334, 162.0, 167.0, 172.66666666666666, 171.0, 172.66666666666666, 174.0, 176.0]
RMSE： 2.0454086349628235
MAE： 1.6
MAPE： 1.0404040404040404
MRE： 0.9828102527724359

### 回答2：
二次移动平均法是一种常用的交通量预测方法。预测精度的评价指标通常包括均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和平均相对误差（MRE）。

首先，我们需要计算预测值和实际值之间的误差。假设预测值的序列为P，实际值的序列为A，则误差的序列为E = A - P。

RMSE是一种衡量平均预测误差的指标，计算方法如下：
RMSE = sqrt(1/n * ∑(E^2))
其中，n表示数据点的个数。

MAE是一种衡量预测误差的平均绝对值的指标，计算方法如下：
MAE = 1/n * ∑(|E|)

MAPE是一种衡量相对误差的平均绝对百分比的指标，计算方法如下：
MAPE = 1/n * ∑(|E/A|) * 100%

MRE是一种衡量相对误差的平均值的指标，计算方法如下：
MRE = 1/n * ∑(E/A)

以下是使用Python代码计算RMSE、MAE、MAPE和MRE的示例：

import numpy as np

def calculate_rmse(predictions, actual):
n = len(predictions)
errors = actual - predictions
rmse = np.sqrt(np.mean(errors**2))
return rmse

def calculate_mae(predictions, actual):
n = len(predictions)
errors = actual - predictions
mae = np.mean(np.abs(errors))
return mae

def calculate_mape(predictions, actual):
n = len(predictions)
errors = actual - predictions
mape = np.mean(np.abs(errors/actual)) * 100
return mape

def calculate_mre(predictions, actual):
n = len(predictions)
errors = actual - predictions
mre = np.mean(errors/actual)
return mre

# 示例使用
predictions = [100, 150, 200, 250]
actual = [110, 160, 220, 230]

rmse = calculate_rmse(predictions, actual)
mae = calculate_mae(predictions, actual)
mape = calculate_mape(predictions, actual)
mre = calculate_mre(predictions, actual)

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

以上代码示例可以用于计算二次移动平均法交通量预测的RMSE、MAE、MAPE和MRE指标。