基于SSA-SVR模型的国内新能源汽车销量预测研究.pdf

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，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Modern 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（seasonal 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 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，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)(1,1,1)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 701524.901 466：549.443 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,种群规模设为15,最大迭代次数设为3 0 0。SVM模型中选择径向基(RBF)核函数，需要优化的参数为惩罚系数C和RBF函数自带的参数。为了验证SSA-SVR模型对新能源汽车销量预测的准确性和可靠性，将SSA-SVR模型与SVR模型、HPO-SVR模型和PSO-SVR模型做对比。为了对比不同模型的预测精度，本文采用拟合优度R平均绝对误差(MAE)和均方根误差(RMSE)等价指标对模型进行评价。评价指标计算公式如下：2(-)11R2-1-1-1ni=11MAE:n1=1RMSE=Z(y-).ni=1不同模型预测精度对比如表3 所示。由表3 可知,在机器学习算法中,SSA-SVR模型和HPO-SVR模型各项评价指标结果均优于SVR模表3 不同模型预测精度对比机器学习算法评价指标SVRMAE0.330 6RMSE0.434 4R20.758 6L0-910221-910原始销量图2SARIMA模型拟合图将种群分为发现者和跟随者更新发现者与追随者位置(SVR）感应捕食者与更新种群位置计算最佳适应度，更新最佳个体位置是达到送代停止条件时间序列方法HPO-SVRSSA-SVR0.232.40.037 00.332.50.056 70.883 10.937 51-6100一日期预测销量SARIMA3.003.85.240 70.876 9型,表明优化算法可以有效提高SVR模型预测精度。3种模型对比来看,SSA-SVR模型效果最好,其R值为0.9 3 7 5,在0.9 以上，表明模型拟合程度较好。平均绝对误差、均方根误差均减小。这是由于SSA算法中有捕食者这一角色存在，可以使得SSA算法更加稳定和高效，寻优时可以跳出局部最优去寻找全局最优，可以促使节点之间激烈地竞争，从而提高算法的搜索效率。同样地，与基于时间序列的SARIMA模型相比，SSA-SVR模型各项评价指标均较优。因此,SSA-SVR模型更适用于新能源汽车销量预测领域。2.3.3销量预测本文使用SSA-SVR模型对新能源汽车2 0 2 3 年销量进行预测。首先利用时间序列分析中的ARIMA模型预测5 个影响因素未来12 个月的数值，然后将预测值带入SSA-SVR模型，得到2 0 2 3 年各月新能源汽车销量预测值，预测结果如表4 所示。表4 SSA-SVR模型预测2 0 2 3 年新能源汽车销量值日期累计预测值/万辆2023-0143.452023-0246.272023-0350.7620230458.582023-0557.722023-0657.512023-0758.032023-0854.262023-0952.152023-1042.492023-1139.27(3)2023-12由表4 可知,SSA-SVR模型预测结果虽存在波动，但总体销量较2 0 2 2 年是上升的。当然，这只是根(4)据历史数据进行训练得到模型的预测结果。在实际中，新能源汽车销量会受到数据不稳定性、模型误差以及过拟合等各种因素的影响，可能会造成预测结果(5)的偏差。因此，可采用差分等稳健的数据处理方法,交叉验证等评估方法，都可以减少预测波动。3结论与建议本文分别利用传统时间序列模型和机器学习模预测值/万辆36.2843.4589.72140.47199.05256.77314.29372.32426.58478.73521.21560.49596.762023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293型对新能源汽车销量进行拟合预测。实验结果表明，SSA-SVR模型相较于SARIMA模型具有更高的预测精度。利用SSA-SVR模型预测了2 0 2 3 年我国新能源汽车月度销量。预测结果显示，国内新能源汽车在2023年销量值存在波动，但整体呈现上升势态。基于此，本文为促进新能源汽车的发展提出以下建议。对于政府而言，2 0 2 3 年新能源汽车销量继续提升,因此,政府应采取综合措施，加强新能源汽车生产、使用和监管等方面的工作,要进一步激发新能源汽车市场活力，推动新能源汽车产业快速绿色高质量发展,逐步替代传统燃油车。在5 个影响因素中,充电桩数量对新能源汽车销量影响最大，应加大充电桩设施建设力度。对于汽车产业而言，结合2 0 2 3 年新能源汽车各月销量月度预测值，汽车企业应合理制定每月汽车生产计划，优化调整产业结构,绿色转型,进一步开拓新能源汽车消费市场，提高新能源汽车产品性价比，将Research on Domestic New Energy Vehicle Sales Forecast Based on SSA-SVR Model(Hebei University of Economics and Trade,Shijiazhuang Hebei 050061,China)Abstract:The seasonal time series method and machine learning algorithm are used to carry out accurate forecasting research on new energyvehicle sales.By establishing SARIMA model and SSA-SVR model,the monthly sales data of domestic new energy vehicles from January 2014 toDecember 2022 are modelled and forecasted,and the fitting effect of the two models is analysed.The experimental results show that the SSA-SVRmodel has higher accuracy and generalisation performance,which is more suitable for predicting the sales of new energy vehicles,and predicts themonthly sales of domestic new energy vehicles in 2023.Meanwhile,suggestions are made with a view to promoting new energy vehicles to achievesustainable development.Key words:new energy vehicles;sales forecasting;SARIMA;sparrow search optimisation;support vector regression（上接第2 8 9 页）问题进行剖析，由于该机组叶片线性、通流结构等设计不完善，导致机组高、中、低压缸通流效率相对较低，供电煤耗较高。2)对叶片、静叶栅、汽封进行优化改造，其中叶片气动形式为反动式通流设计；静叶栅优化改造工作是将原焊接式隔板更换为装配式隔板；汽封优化改造是将2 Cr12NiMo1W1V材料作为汽封片主材。3)对某电厂2 号汽轮机组改造后的性能和经济Economic Analysis Study of Turbine Through-Flow Optimisation and Modification(Guodian Power Datong Co.,Ltd.,Datong Shanxi 037043,China)Abstract:Taking the No.2 turbine unit of a thermal power plant as an example,we analyse the existing problems of the turbine unit,propose theoptimization modification methods of blades,static vane grilles and steam seals according to the problems,and then verify the efficiency of theturbine high-pressure,medium-pressure and low-pressure cylinders through experiments,and analyse the economy of the turbine afteroptimization of turbine flux.Key words:steam turbine unit;blade;static vane grille;vapour seal新能源汽车作为产业未来发展的重点。1张双妮.基于多元回归模型的新能源汽车市场发展趋势预测 J.决策探索(中),2 0 19(1):7 7.2陈璐.基于ARIMA季节模型的新能源汽车市场前景预测研究J.知识经济,2 0 19(1):5 5-5 6.3王小璇我国新能源汽车保有量影响因素分析及预测方法研究D.北京：华北电力大学(北京),2 0 2 1.4杨东红.基于改进BP神经网络的新能源汽车销量预测 J.自动化与仪器仪表,2 0 2 1(11)：6 0-6 3.5苏越，吴梓乔.中国新能源汽车销量组合预测模型 J.汽车实用技术,2 0 18(8):2 1-2 3.6白一凡.基于SARIMA和BP神经网络的新能源汽车销售预测D.湘潭：湘潭大学,2 0 19.7于辉.基于SARIMA模型的集中作业录入业务量预测实证研究J.金融科技时代,2 0 2 2(4):4 6-5 2.8马晨佩，李明辉，巩强令，等.基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断 J.科学技术与工程，2 0 2 1,2 1(10)：4 0254 029.(编辑：郭萍茹）Liang Yaling,Chen Yingwei,Liu Sijia性进行分析，其中改造完成后2 号机组的高压、中压、低压缸的通流效率均有不同程度的上升；从经济角度分析,改造后2 号机组每年供电标煤消耗能够降低2 3 7 3 7 t，能够为电厂节约19 8 2 万元成本。参考文献1 引张健，赵树成，肖玲娟，等.汽轮机通流改造节能效果及经济性分析 J.能源工程,2 0 2 1(3):4 5-5 1.2 国家能源局.关于开展燃煤电厂综合升级改造工作的通知 A.发改厅 2 0 12 16 6 2 号,2 0 12-0 6-12.(编辑：王钢)LiuKuo参考文献