最近几年新车的盈利前景不被看好,新品牌车辆的销售更是令人担忧,而汽车售后市场方面的业务逐渐发展,成为了汽车4S店的重点发展核心。本文以单个新品牌汽车4S店为出发点,发现该4S店零部件需求预测不当引发的一系列问题。本文旨在选择适合该汽车4S店售后零部件的分类方法和需求预测模型,解决零部件需求预测问题,为该4S店零部件库存管理提供数据和模型支持。通过实地调研,发现该4S店售后零部件库存管理不当,经验主义较为严重,分类方法不合理、需求预测不准确,导致其存储很多不必要的零部件,同时还会采购一些不必要的零部件。部分零部件缺货现象时有发生,零部件库存积压现象较为严重,长期这样会造成库存停滞的恶性局面,降低客户满意度,降低该4S店的盈利能力,影响该4S店的发展。考虑到汽车零部件随机性强且需求波动较大,而需求的波动是影响库存决策的关键,因此,本文希望从优化售后零部件的分类和需求预测角度来改善A汽车4S店零部件的库存管理现状。本文在相关理论研究的基础上,对需求预测分两个阶段进行研究。第一阶段利用数据包络分析法与聚类分析相结合的方法对该4S店的售后零部件进行分类,找出维修零部件中具有预测意义的关键备件,提高零部件分类的有效性和零部件管理的针对性。通过与原有分类方法做比较,证明了该分类方法的有效与合理。第二阶段利用自适应变异粒子群参数寻优的最小二乘支持向量机算法预测该4S店零部件的需求量,提高该4S店汽车零部件需求预测准确率,为售后零部件的库存计划与管理优化提供科学的数据支持,为降低库存及物流成本、减少库存的滞后和积压、提高售后服务质量与客户满意度提供科学的理论支持。通过与BP神经网络模型和多元回归分析得出的需求预测值进行比较,分析并比较其误差,验证了最小二乘支持向量机用于预测4S店汽车零部件需求量的相对准确性。研究结果表明,该方法可以用于4S店进行零部件需求预测,进而改善零部件库存管理现状。本文包括图16幅,表13个,参考文献54篇。