中国新能源汽车销量组合预测模型

2018-05-26苏越吴梓乔

汽车实用技术 2018年8期

苏越，吴梓乔

（长安大学汽车学院，陕西西安 710064）

前言

近年来，汽车保有量不断增加，在拉动经济增长的同时也为汽车行业的发展带来了许多难题与挑战。随着生态保护意识的提高，电动汽车逐渐步入人们的视野。作为产业升级的重大战略之一，发展电动汽车将对解决能源危机、环境污染、交通拥堵等难题作出巨大贡献，有助于实现汽车产业的绿色化。国家不断出台的众多优惠政策，也将大大助力电动汽车的发展之路。预测电动汽车的销量，掌握新阶段汽车市场走向，对于政策制定者和企业都具有十分重要的意义。

预测方法有很多种，如神经网络预测、回归预测、灰色预测等。不同的预测方法适用于解决不同方面的问题，预测精度与侧重点也存在差异。回归预测用于变量间存在因果关系的情况，灰色预测用于少量数据已知的情况下对未来的预测。在实际生活中，每一种预测方法只有在某个特定的场合或者时间下有着良好的预测效果。然而实际上预测对象所处的环境会随着时间的改变而变化，其受到环境的影响程度也不会相同，因此单单利用历史的数据对未来进行预测，而不考虑环境的变化的预测是不准确的。然而环境的变化所带来的影响却难以预料，由此国外的学者于1969年首次提出把不同的预测模型通过赋予一定的权重组合起来的方法，将现有的信息充分利用，大大提到了预测精度。本文将线性回归预测模型和灰色预测模型结合起来，提出组合预测模型。

1 线性回归预测【1】

1.1 一元线性回归

回归分析是一种研究因变量与自变量之间关系的统计分析方法。其中一元线性回归是最简单的方法，根据最小二乘法的原理，利用不同时期因变量与自变量间关系，作出最佳拟合直线，求解出函数表达式，并根据自变量在未来的变化对因变量进行预测。

1.2 一元线性回归模型

设变量x代表自变量年份，变量y代表因变量汽车销量。设一元线性回归模型为：y=mx+n

其中，参数m,n的值根据最小二乘法估计得到：

得到回归方程为：y=248572.9x-500618886，预测得到2014—2018年中国新能源汽车销量分别为：6934.4、255507、504080、752653、1001226辆。

2 灰色预测模型【2】

2.1 灰色预测模型GM（1,1）的建立

将2014—2017年中国汽车总销量作为初始数据，建立原始参考数列为 X(0)=[x(0)(1), x(0)(2),...,x(0)(4)]=[58548, 176 627,507000,777000]。

为排除存在特殊值的影响，现将原始数列进行一次累加计算，得到累加计算后的数列为 X(1)=[x(1)(1),x(1) (2)....x(1)(4)]=[ 58548,235175,742175,1519175]。

其中，

建立其一阶线性白化微分方程,建立GM（1,1）模型：

2.2 灰色预测模型求解

利用最小化二乘法计算 a、u，得，其中：

则其GM（1,1）时间响应函数为：

预测值采用累减后求得： (0)(k)=x(1)(k)- x(1)(k-1) k= 2,3,...,10

利用matlab求解得到：

利用灰色预测模型得到 2014—2018年中国新能源汽车销量分别为：58548、239660、430545、773464、1389512辆。

2.3 模型精度分析

2014—2017年，中国新能源汽车的实际销量分别为：58548、176627、507000、777000辆，每年的相对误差分别为：0、35.7%、15.1%、0.5%。

从中我们可以看到，除了2015年的预测数据偏大，误差高达35.7%，其余数据均属于较为精确的水平。经分析可知，是由于政策调整、产业发展以及政府补贴，才使原本增长缓慢的新能源汽车有了爆发式的增长，因此导致前期预测精度较差。可以看到在政策影响趋于平稳后，逐年的预测精度均有提高。

3 销量的组合预测模型【3】

基于一元线性回归预测与灰色预测两种预测模型，现对两个预测模型进行线性组合。

若根据一元线性回归预测得到的第i年汽车销量预测数据为fi1，灰色预测得到的第i年年汽车销量预测数据为fi2，两种方法的权重赋予分别为w1与w2。

经过线性组合后，得到第i年汽车销量数据为：

在此考虑到市场波动与政府政策对其影响，两种预测模型均不能很好地反映出相应的特性。因此为了使组合数据更贴近实际，在此将二者权重做均值处理，给予相同的权重。

经过组合后，得到2014—2018年中国新能源汽车销量分别为：32741、247584、467312、763059、1195369辆。

4 预测模型对比

将两个预测模型组合后得到了新的预测模型，现将组合预测模型与起初两个基本模型进行比较。

表1 预测模型的对比（2014—2018年）

观察数据，我们可以看到组合预测模型在一定程度上降低了单一模型的误差率，特别是在2014年与2015年，这两年中，除了灰色预测模型是由于将2014年数据作为了初始值而误差为 0，其余的误差都相对较大。经过组合预测后很好的抑制了这种情况，使得逐年预测精度慢慢提高，两个模型的优缺点都进行了互补互助，充分利用了不同模型所提供的信息与优点。