论文部分内容阅读
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 Ap-proach，DGA)的灰色预测模型(Grey Forecasting Model，GM)来体现销量的季度变化趋势。我们在原有灰色预测模型(GM(1，1))的基础上对原始数据进行分组，建立基于DGA方法的GM(1，1)模型，从而使其能够有效识别线性数据序列的季度波动。在短期预测方面，我们利用奇异谱分析模型(Singular Spectrum Analysis，SSA)的方法对新能源汽车的月度销量进行更精准的分析、拟合和预测。这种方法可以方便我们提取出代表不同影响因素的主成分，将原始时间序列的变化趋势拆分为各个主成分的变化趋势，从而通过各个主成分的变化趋势更好地预测接下来的月度销量。
根据结果可以看出，在进行季度预测时，ARMA模型的预测结果与实际数据的误差较大，虽然其拟合效果较好但不适用于对未来新能源汽车季度销量变化趋势的估计，我们更倾向于用基于数据分组方法的灰色预测模型(DGA-GM(1，1))进行估计和预测。针对短期月度预测，SSA模型的预测结果较好，同时考虑到2019年下半年国内相关的政策变化，新能源汽车总体销量受到了一定的影响，我们在后续的研究中可以对模型进行改进，从而对更多相关的影响因素进行考量，使得预测结果更加接近真实数据。
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 Ap-proach，DGA)的灰色预测模型(Grey Forecasting Model，GM)来体现销量的季度变化趋势。我们在原有灰色预测模型(GM(1，1))的基础上对原始数据进行分组，建立基于DGA方法的GM(1，1)模型，从而使其能够有效识别线性数据序列的季度波动。在短期预测方面，我们利用奇异谱分析模型(Singular Spectrum Analysis，SSA)的方法对新能源汽车的月度销量进行更精准的分析、拟合和预测。这种方法可以方便我们提取出代表不同影响因素的主成分，将原始时间序列的变化趋势拆分为各个主成分的变化趋势，从而通过各个主成分的变化趋势更好地预测接下来的月度销量。
根据结果可以看出，在进行季度预测时，ARMA模型的预测结果与实际数据的误差较大，虽然其拟合效果较好但不适用于对未来新能源汽车季度销量变化趋势的估计，我们更倾向于用基于数据分组方法的灰色预测模型(DGA-GM(1，1))进行估计和预测。针对短期月度预测，SSA模型的预测结果较好，同时考虑到2019年下半年国内相关的政策变化，新能源汽车总体销量受到了一定的影响，我们在后续的研究中可以对模型进行改进，从而对更多相关的影响因素进行考量，使得预测结果更加接近真实数据。