基于SSA-SVR模型的国内新能源汽车销量预测研究.pdf
《基于SSA-SVR模型的国内新能源汽车销量预测研究.pdf》由会员分享,可在线阅读,更多相关《基于SSA-SVR模型的国内新能源汽车销量预测研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、总第2 31 期2023年第9期经验交流基于SSA-SVR模型的国内新能源汽车销量预测研究梁亚玲,陈英伟,刘思佳(河北经贸大学,河北石家庄0 5 0 0 6 1)摘要:利用季节时间序列方法和机器学习算法,对新能源汽车销量展开精准预测研究。通过建立SARIMA模型和SSA-SVR模型,对2 0 1 4年1 月一2 0 2 2 年1 2 月的国内新能源汽车月度销量数据进行建模预测,并对两模型进行拟合效果分析。实验结果表明,SSA-SVR模型具有更高的精度和泛化性能,更适合预测新能源汽车销量。使用SSA-SVR模型预测了2 0 2 3年国内新能源汽车月度销量,并提出相关建议,以期促进新能源汽车实现可
2、持续发展。关键词:新能源汽车;销量预测;SARIMA;麻雀搜索优化;支持向量回归中图分类号:U469.70引言新能源汽车是当前全球汽车行业的发展趋势,也是我国汽车产业转型升级的重要方向。随着人们环保理念和绿色出行意识的提升,新能源汽车越来越受到青。新能源汽车与传统燃油汽车相比,具有节能减排、低碳环保的优点。另外,我国要实现2 0 30 年“碳达峰”、2 0 6 0 年“碳中和”的目标,治理汽车碳排放问题成为当下聚焦的热点问题。新能源汽车在我国已经进人了快速发展的阶段。因此,预测新能源汽车市场未来发展趋势,对于行业的可持续发展和“双碳”目标的实现具有重要的现实意义。目前,在对新能源汽车销量预测的
3、研究中,学者们通常基于市场需求、技术进步和政策环境等的预测方法(如SWOT分析、技术生命周期分析和政策环境分析等),而更多采用的是基于历史数据构建数学模型,对新能源汽车销量进行定量预测。主流的预测模型有多元回归模型、时间序列预测模型、灰色预测模型、BP神经网络模型以及集成学习算法等。2019年,张双妮 1 1 在对新能源汽车销量预测中,通过多元回归模型拟合新车比(新能源汽车销量/汽车销量)的走势,进行短期预测。Tang等通过三个线性回归模型来确定对新能源汽车销量有显著影响的因素,结果表明,可支配收入、充电站数量、补贴和素养水平正向影响新能源汽车销量。Chen等研究油价对中国新能源汽车销量的影响
4、,发现原油价格和汽油价格均对新能源汽车销量产生正影响,汽油价格影响大于原油价格。陈璐 2 利用ARIMA季节模型对2018一2 0 2 0 年新能源汽车销量进行预测,得出新能源汽车需求呈上升趋势,发展前景可观。王小璇 3 选择灰色关联分析法筛选出影响新能源汽车保有量的因素建立指标体系,并结合灰色系统理论建立GRA-GM(1,N)多元灰色预测模型,预测新能源汽车收稿日期:2 0 2 3-0 5-0 4基金项目:河北省教育厅科技重点项目(项目编号:ZD2020109)第一作者简介:梁亚玲(1 999一),女,河北石家庄人,河北经贸大学研究生在读,研究方向为调查与大数据。现代工业经济和信息化Mode
5、rn Industrial Economy and Informationization文献标识码:A保有量。杨东红 4提出一种基于改进BP神经网络的新能源汽车销量模型,有效提高了预测精度。此外,为提高预测的准确性和可靠性,组合模型在新能源汽车销量预测中也常使用。苏越等 5 采用回归预测、灰色预测以及二者组合预测的方法,对新能源汽车销量进行预测。结果表明,预测精度显著提高。白一凡 6 对数据进行因素分解,生成非随机波动序列和随机波动序列,构建SARIMA和 BP神经网络组合模型,对新能源汽车月度销量进行预测。新能源汽车销量预测无论采用哪种方法,都需要进行充分的数据收集和分析,并根据实际情况选择
6、合适的预测模型和方法。如,时间序列分析方法是基于历史销量数据对未来销量进行预测,但新能源汽车销量会受到除自身以外因素的影响。因此,时间序列模型精度不够高。机器学习方法比时间序列分析方法的精度高,但使用默认参数也会有较大的预测误差。因此,本文使用麻雀搜索算法,优化支持向量回归模型参数来提高新能源汽车预测精度,并与传统时间序列模型进行对比,结果表明,本算法具有更高的精度。1模型方法1.1SARIMA 模型在某些时间序列中会存在明显的周期性变化。这种周期是由于季节性变化(如季节、月和周等)或其他因素引起的,这样的序列称为季节性序列。描述季节性序列的模型之一是乘积季节模型,也叫季节时间序列模型(sea
7、sonal ARIMAmodel,SARIMA),模型简记为ARIMA(p,d,q)(P,D,Q)s。其中,P、p 分别为季节与非季节自回归,Q、g 分别为季节与非季节移动平均数,D、d 分别为季节与非季节差分阶数。该模型结构式如下:VdVX=(B),(B)Q(B),(B)8tTotal 231No.9,2023D0I:10.16525/ki.14-1362/n.2023.09.097文章编号:2 0 9 5-0 7 48(2 0 2 3)0 9-0 2 9 0-0 4(1)2023年第9 期梁亚玲,等:基于SSA-SVR模型的国内新能源汽车销量预测研究291式中:S为周期步长;B为滞后算子;
8、8 为残差项;(B)=1-iB-.-,BP;(B)=1-B-.-0,B;(B)=1-i Bs-.-Bs;O,(B)=1-0i Bs.-0.B%SARIMA模型适用于具有季节性、趋势性和周期性的平稳数据序列,可有效应用于包含趋势和季节性的单变量数据,特别是那些具有周期性趋势的数据。1.2麻雀搜索算法优化支持向量回归(SSA-SVR)麻雀搜索算法(Sparrow Search Algorithm,SSA)是一种启发式新型群智能优化算法,SSA算法具有全局搜索能力和快速收敛性能,且计算复杂度较低,具有较高的实用价值。其灵感来源于麻雀的群体行为,利用麻雀飞行和寻找食物等行为特征。SSA算法的基本原理是
9、将问题转化为一个搜索空间,通过一群麻雀在搜索空间中的飞行和觅食来寻找最优解。该算法主要包括初始化、麻雀的飞行和觅食、适应度评价和更新等步骤。在 SSA算法中,每个麻雀代表一个解向量,麻雀的飞行速度和飞行方向受到其适应度值的影响。麻雀在搜索空间中随机飞行,每一次飞行都会更新其位置和适应度值,最终找到最优解。支持向量机回归(SupportVectorRegression,SVR)是一种基于核函数的算法,通过最小化损失函数来选择最佳的超参数,使得模型能够最好地拟合训练数据。利用核函数将数据映射到高维空间,在其中找出最优超平面,并将其用于回归预测。SVR旨在最小化预测值与实际值之间的误差和模型的复杂度
10、,同时允许一定程度上的误差 8。SVR的优点是能够有效处理具有复杂非线性关系的数据,并且在处理大规模数据集时具有较高的效率。本文使用麻雀搜索算法来优化支持向量回归模型的参数,通过模拟鸟类在搜索食物时的行为来寻找最优解。适应度函数是SVR模型的预测误差和模型复杂度之和,目标是最小化这个函数的值。通过使用麻雀搜索算法对SVR模型参数进行优化,可以提高模型的预测性能和泛化能力。实验结果表明,SSA-SVR比其他优化算法具有更高的效率和准确性。2实证分析2.1数据来源与指标说明本文对我国新能源汽车销量展开精准预测研究,选取了2 0 14 年1月一2 0 2 2 年12 月的新能源汽车月度销量数据,数据
11、来源分别为中国汽车工业协会、乘用车市场信息联席会、国家统计局和中国充电联盟等网站。新能源汽车主要包括纯电动汽车、插电式混合动力汽车和燃料电池汽车三种类型。结合国内外学者的有关研究以及数据的可取性,选取了5 个关键性指标作为影响新能源汽车销量的因素,分别是消费者信心指数、消费者价格指数、9 5 汽油价格、居民人均可支配收入和公共充电桩数量。2.2SARIMA 模型预测首先,绘制出我国新能源汽车的原始时间序列图。80.070.060.050.040.030.020.010.00.04图1新能源汽车销量时序图从图1可以看出,新能源汽车月度销量类似呈现周期性上升趋势。原始时间序列为非平稳序列,具有一定
12、的趋势性和周期性,需对原始序列进行差分。经过一阶12 步差分后,序列基本平稳。对一阶12步差分序列进行平稳性检验。ADF单位根检验和白噪声检验中p值均小于0.0 5,表明一阶12 步差分后序列平稳且为非白噪声序列,可以利用SARIMA模型进行建模。下面进行模型定阶,本文选取准则函数(AIC和BIC 准则)进行定阶。对于p、q、P、Q 值的确定,通过不同组合计算各组合BIC值,得到各组合的BIC信息量,选取具有最小BIC信息量的模型阶数。表1各组合BIC值比较序号组合1SARIMA(2,1,1)(0,1,0)i22SARIMA(2,1,0)(0,1,0)2:35SARIMA(0,1,0)(1,1
13、,1)n236SARIMA(0,1,0)(2,1,0)i2由表1可知,BIC值最小的组合为SARIMA(2,1,1)(0,1,0)12。通过计算,得到如表2 所示模型系数。表2 模型参数模型系数ar.L1-0.8005ar.L20.570.8ma.L10.420 8sigma211.7321对各参数进行t检验,得到的值均小于0.0 5,表明各参数均通过检验。最后进行残差检验,检验通过,表明模型是有效的。最终的模型如下:(1-0.420 8B)SARIMA模型真实值与拟合值对比,如图2 所示。一标准差0.1340.0700.1581.41661222日期BIC522.481 701524.901
14、 466:549.443 885549.657 679PI2l-5.9760.000-8.1280.0002.6570.0088.2850.000(2)现代工业经济和信息化第13 卷80.070.060.050.040.030.020.010.00.010-1002.3SSA-SVR模型预测2.3.1SSA-SVR算法SSA-SVR算法流程如图3 所示。开始输人数据,进行归一化处理建立支持向量机预测模型初始化麻雀搜索算法参数输出最优参数C、支持向量机训练支持向量机预测模型图 3 SSA-SVR流程2.3.2算法实验本文采用Python3.10作为模型预测工具,在SSA-SVR算法模型中,种群规
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 SSA SVR 模型 国内 新能源 汽车销量 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。