在数据分析和预测领域，准确衡量模型预测结果与实际观测值之间的偏差是非常重要的。相对平均误差（Relative Mean Error, RME）是一种常用的评估指标，用于比较预测值与真实值之间的差异，并以相对的形式呈现，便于不同规模数据间的对比。

相对平均误差的计算公式如下：

\[ RME = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{A_i - P_i}{A_i} \right| \times 100\% \]

其中：

- \( A_i \) 表示第 \( i \) 次的实际观测值；

- \( P_i \) 表示第 \( i \) 次的预测值；

- \( n \) 是观测或预测的总次数。

这个公式的含义是，首先计算每个样本点上的绝对百分比误差（即 \( \left| \frac{A_i - P_i}{A_i} \right| \)），然后取这些误差的算术平均值，最后乘以 100 转换为百分比形式。

使用相对平均误差可以更直观地理解模型的表现。例如，当 RME 值较低时，说明预测值与实际值非常接近；反之，则表明存在较大的偏差。此外，由于它是基于百分比的，因此适合用于比较不同量级的数据集。

需要注意的是，在应用此公式时，应确保所有实际观测值 \( A_i \) 都不为零，否则会导致分母为零的情况出现。如果某些情况下可能存在零值，则需采用其他替代方法来处理这类特殊情形。

总之，相对平均误差提供了一种简单而有效的方式来评估预测模型的质量，特别是在需要跨领域或跨尺度进行性能对比时尤为适用。