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常用的时间序列预测方法，可以应用在交通量预测中。这种方法的基本思想是把历史上连续的若干个数据点作为一个窗口，计算这个窗口内数据点的平均值，然后再对这些平均值再次进行平均，得到预测值。下面是一个简单的二次移动平均法的实例和代码：

假设我们有一组交通量数据，包括每个小时的交通量，如下所示：

| 时间 | 交通量 |
| ---- | ------ |
| 1 | 100 |
| 2 | 110 |
| 3 | 120 |
| 4 | 130 |
| 5 | 140 |
| 6 | 150 |
| 7 | 160 |
| 8 | 170 |
| 9 | 180 |
| 10 | 190 |

我们想要预测第11个小时的交通量，使用二次移动平均法进行预测。

首先，我们需要选择窗口的大小，假设我们选择窗口的大小为3。然后，我们计算出窗口内每个小时的交通量的平均值，并把这些平均值作为新的数据点，如下所示：

| 时间 | 交通量 | 平均值 |
| ---- | ------ | ------ |
| 1 | 100 | |
| 2 | 110 | |
| 3 | 120 | 110 |
| 4 | 130 | 120 |
| 5 | 140 | 130 |
| 6 | 150 | 140 |
| 7 | 160 | 150 |
| 8 | 170 | 160 |
| 9 | 180 | 170 |
| 10 | 190 | 180 |

接下来，我们再次使用窗口大小为3，计算出每个窗口的平均值，并且把这些平均值作为最终的预测值，如下所示：

| 时间 | 交通量 | 平均值 | 预测值 |
| ---- | ------ | ------ | ------ |
| 1 | 100 | | |
| 2 | 110 | | |
| 3 | 120 | 110 | |
| 4 | 130 | 120 | |
| 5 | 140 | 130 | 120 |
| 6 | 150 | 140 | 123.3 |
| 7 | 160 | 150 | 136.7 |
| 8 | 170 | 160 | 150 |
| 9 | 180 | 170 | 163.3 |
| 10 | 190 | 180 | 176.7 |

可以看到，使用二次移动平均法预测第11个小时的交通量为176.7。

下面是使用Python实现二次移动平均法的代码：

import numpy as np

# 数据
traffic = np.array([100, 110, 120, 130, 140, 150, 160, 170, 180, 190])

# 窗口大小
window_size = 3

# 第一次平均
average1 = np.zeros(traffic.shape[0] - window_size + 1)
for i in range(average1.shape[0]):
    average1[i] = traffic[i:i+window_size].mean()

# 第二次平均
average2 = np.zeros(average1.shape[0] - window_size + 1)
for i in range(average2.shape[0]):
    average2[i] = average1[i:i+window_size].mean()

# 预测值
prediction = average2[-1]

print('预测值为:', prediction)