基于机器学习与时间序列组合模型的中国汽车市场预测

发布时间：2021-06-09 23:22

　　文章构建了基于差分自回归移动平均（ARIMA）模型与支持向量机（SVM）、随机森林（RF）、极端梯度提升树（XGBoost）的三种组合模型,将其应用于国内汽车市场批零量预测。基于2009—2018年国内汽车市场乘用车批零量数据以及上汽集团数据库中相关指标数据,将组合模型的预测结果与改进后的三次指数平滑（HW）算法、ARIMA模型进行比较。结果显示:组合模型均能有效地改善建模结果,其中ARIMA与XGBoost的组合模型针对批发量与零售量的三个月内预测平均相对误差分别为3.53%与2.97%,对汽车企业具有参考价值。 

【文章来源】：统计与决策. 2020,36(08)北大核心CSSCI

【文章页数】：4 页

【参考文献】：
期刊论文
[1]基于ARIMA模型与GM（1,1）模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐.  统计与决策. 2017(20)
[2]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊.  统计与决策. 2016(04)
[3]中国汽车市场的中长期增长潜力及区域特征[J]. 王青.  区域经济评论. 2015(04)
[4]中国未来汽车市场的研究[J]. 彭浪,宁宣熙.  管理世界. 2009(01)



本文编号：3221527