新能源汽车销量的长期与短期预测

发布时间：2021-03-19 12:44

　　新能源汽车产业已经被视为中国汽车产业转型和环境污染控制的第一产业。根据新能源汽车在中国销量的周期性波动特征,我们通过不同时间维度分析其变化规律,对新能源汽车的销量进行长期和短期预测,即从季度和月度两个时间周期分别讨论销量变化趋势。在对比模型之间的预测精确度的同时也可以更好地把控新能源汽车的市场及基础设施建设。我们收集了2014至2019年6年24个季度72个月的原始数据样本,利用自回归滑动平均模型（Autoregressive and Moving Average Model,ARMA）对季度数据进行拟合和分析,并且考虑到原时间序列的周期性,我们将ARMA模型改进为季节性自回归滑动平均模型（Seasonal Autoregressive and Moving Average Model,SARMA）对月度销量的增长趋势进行了研究。在这里我们也提出两种新的模型,从而更好更精准地对国内的新能源汽车市场进行分析和调控。在长期预测方面,我们提出了基于数据分组方法（Data Grouping Approach,DGA）的灰色预测模型（Grey Forecasting Model,GM）来体现销量... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：36 页

【学位级别】：硕士

【部分图文】：

原始数据折线图

多步预测结果

第3章实证分析图3.2多步预测结果同时可以看到拟合数据、预测数据与真实数据的对比结果分别如图3.3，3.4所示。图3.3拟合数据对比图图3.4预测数据对比图根据我们以上得到的拟合和预测结果，不难看出，SARMA模型应用在我们针对新能源汽车销量的趋势研究的问题上误差较大。针对短期月度预测，SARMA得出残差的自相关性不够弱，且用此模型预测得到的预测值与真实值比较时准确率较差。我认为原因如下：一是样本量偏小；二是月度销量受到外界因素的影响，波动较为明显，从而导致我们的拟合效果大大降低。随着国家相关政策的出台，经济市场对整个汽车行业的作用，以及其他许多方面对新能源汽车市场的影响，都会使新能源汽车的月销量有着不平稳的变化趋势。因此我们在选取短期预测的模型时要考虑到这些外界因素对时间序列的作用，从而更准确地拟合和预测月销量。3.2基于SSA模型的短期月度预测在我们将SSA模型应用于实际的过程中，使用MATLAB软件，已知2014年1月至2019年6月的新能源汽车月度销量，带入SSA模型，将其作为原始数据YN，选取窗口长度K=15，利用矩阵变换计算出其轨迹矩12

【参考文献】：
期刊论文
[1]我国新能源汽车月度销售量预测模型研究[J]. 周彦福,王红蕾.  软件导刊. 2019(08)
[2]ARIMA模型在汽车销量预测中的应用及SAS实现[J]. 胡彦君.  河北企业. 2012(04)
[3]基于奇异谱分析的汇率预测研究[J]. 张一,惠晓峰.  统计与决策. 2012(06)



本文编号：3089588