基于神经网络和时间序列的汽车销量预测研究

发布时间：2020-04-01 17:42

【摘要】：中国经济由高速增长阶段转向高质量发展阶段,正处在转变发展方式、优化经济结构、转换增长动力的攻关期。作为中国重要的支柱产业,汽车制造工业已经开始出现供需失衡销售与生产比例下降等问题。因此汽车制造商迫切的需要精确预测汽车销量,并将预测结果运用于生产销售的决策。神经网络作为具有代表性的机器学习算法、是卓有成效的非线性预测方法,时间序列模型对汽车销量周期性变化特征具有良好的适用性。本文分别选取循环神经网络算法与时间序列模型以及二者的组合模型,对汽车企业的月度总销量及具体车型月度销量进行研究分析。在针对汽车企业的月度销量预测问题中,分别使用了ARIMA模型和RNN神经网络单独进行了预测。汽车销量变化具备长期性的特征,过去的销量影响当下销售,所以在RNN神经网络中选取LSTM-RNN作为建模算法。结果表明,这两种算法在预测中均具有较好的拟合性。为了提升预测模型的有效性,根据非负权重最优组合原则将两种模型进行组合。结果表明通过两种模型的融合,误差进一步降低,与单一的模型相比效果更佳。针对具体车型的销量预测模型建立能够提升产品的产销率,降低产能过剩发生的概率。在针对具体型号的汽车的模型建立过程中,使用汽车企业月度销量模型建立过程作为参考,结合车型自身特性,对模型进行训练得到最终能适用于具体车型的月度销量预测模型。
【图文】：

展开结构,神经网络结构,维度,索引号

图 2.1 RNN 神经网络结构及时间维度展开结构上图中左边是 RNN 神经网网络模型没有按照时间序列运转的静态表示，上图右侧则表示 RNN 真实处理时间序列问题时的展开过程。重点描述右边部分RNN 实际运转的结构图。图中由时间 t 表示索引号，t-1 则为上一个时间的索引号，t-1 为未来下一个时间点的索引号，，t-1、t、t+1 的 RNN 的模型如图右侧所示。其中：（1）下方的 x 代表训练集输入的输入层次， ( )代表在序列索引号 t 时样本的输入，图中按照时间顺序从左到右展开。所以 ( 1)代表 t-1 时刻的样本输入 ( +1)代表 t+1 时样本的输入。（2）h 代表 RNN 神经网络的隐含层，是循环神经网络保留历史信息的关键结构， ( )是在序列索引号 t 时模型的隐含层状态。由图可以看到 ( )和 ( 1)共同作为 ( )的输入。（3）o 代表 RNN 神经网络的输出层， ( )的含义为序列索引号 t 时模型的输出。在 t 时刻 ( )只由模型当前的隐藏状态 ( )决定。17

结构图,结构图

取的影响因素后，预测下一个月的数值。基于这个前提，当对月汽车销量预测的情境下，当月的省内总产值及当月的原材料产量等的影响因素通常不能及时获取到，基于这一点的考虑，在时间维度上，对训练数据进行错位，本月的销量对应去年的省内总产值及上个月的原材料数据。3.1.3 模型参数设定本次实验方法选用 RNN 的一种变体形式 LSTM-RNN，LSTM 的改进之处在于隐含层添加门控单元使其能够缓解训练模型的反向传播过程中的梯度消失和下降的[33]。LSTM 由 Hochreiter & Schmidhuber (1997)提出，并在近期被 AlexGraves 进行了改良和推广[34]。LSTM 在解决不同行业的问题时都有着上佳的表现。LSTM 广泛运用于解决以时间发生且顺序排列的序列问题[35]。RNN 的基本原理是对一个 RNNcell 进行循环训练。经典的 RNN 结构中，该 cell 是个非常简单只包含 tanh 激活单元的结构。如下图 3.1 所示中间的透视部分即为 RNN 的内部的结构图，仅包含单个 tanh 层：
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F426.471;F274;TP183;O211.61

【相似文献】