王書鵬 迮恒鵬 王 濤 黃素珍 劉桂蘭

（1.鹽城工學院經(jīng)管學院；2.鹽城工學院電氣學院；3.鹽城工學院數(shù)理學院）

針對汽車銷量預測研究問題，目前大多數(shù)建立的是傳統(tǒng)的時間序列分析模型[1-7]。它們存在兩點不足：（1）僅利用汽車歷史銷售數(shù)據(jù)解決汽車銷量預測問題，事實上存在眾多銷量影響汽車銷量預測的因素，比如原材料因素、消費者因素、網(wǎng)絡傳播因素、宏觀經(jīng)濟因素等；（2）需要事先假定歷史銷量和銷量之間呈線性關(guān)系，事實上銷量和歷史銷量以及其他影響因素之間存在高度非線性的關(guān)系。本文將利用機器學習技術(shù)[8]，建立多因素非線性自回歸汽車銷量預測模型。

一、銷量預測模型的構(gòu)建

選取本月汽車銷量作為因變量，解釋變量包括歷史汽車銷量、鋼材產(chǎn)量、橡膠輪胎產(chǎn)量、貨幣供應量、百度搜索指數(shù)、居民消費價格指數(shù)等，為了方便表述，文中采用表1中的符號建立銷量預測模型。

為前k月因素矩陣。

表1 符號說明

（一）無因素非線性自回歸模型

如果僅僅考慮歷史銷量數(shù)據(jù)對銷量的影響，則得到無因素非線性自回歸模型為

（二）多因素非線性自回歸模型

假設銷量不僅與歷史銷量有關(guān)，還與鋼材產(chǎn)量、橡膠輪胎產(chǎn)量、貨幣供應量、百度搜索指數(shù)、居民消費價格指數(shù)等有關(guān)，則得到多因素非線性自回歸模型為

二、仿真分析

利用機器學習技術(shù)，以大眾品牌汽車為例建立銷量預測的多因素非線性自回歸模型。

（一）數(shù)據(jù)的獲取與處理

采用2011年1月至2018年12月共96個月的數(shù)據(jù)。

大眾品牌汽車月銷量數(shù)據(jù)，來源于車主之家網(wǎng)站https://www.16888.com。

鋼材產(chǎn)量、橡膠輪胎產(chǎn)量、貨幣供應量、居民消費價格指數(shù)的月度數(shù)據(jù)，來源于國家統(tǒng)計局網(wǎng)站http://www.stats.gov.cn/。

百度搜索指數(shù)月度數(shù)據(jù)，來源于百度指數(shù)網(wǎng)站http://index.baidu.com。

為了消除數(shù)據(jù)量綱的影響，將上述數(shù)據(jù)作歸一化處理：

（二）模型參數(shù)的設定

非線性自回歸的神經(jīng)網(wǎng)絡主要有輸入層、隱含層和輸出層、輸入輸出延時層構(gòu)成。選取隱含層為25，延遲數(shù)d為12，其基本結(jié)構(gòu)如圖1。

圖1 非線性自回歸神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)

（三）訓練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)的劃分

將96個樣本數(shù)據(jù)劃分如下：訓練數(shù)據(jù)占70%，驗證數(shù)據(jù)占15%，測試數(shù)據(jù)占15%。

（四）網(wǎng)絡訓練

選擇訓練算法Levenberg-Marquardt，該算法要求樣本容量足夠大，但是記憶速度快，當驗證數(shù)據(jù)均方誤差不再增長，訓練自動停止。

（五）預測結(jié)果分析

本文建立的大眾品牌銷量預測模型的結(jié)果如表2。

表2 大眾品牌銷量預測模型的結(jié)果

表2中MSE為預測銷量和實際銷量之間的均方誤差，MSE越小預測效果越好，當MSE=0時，預測銷量=實際銷量。R為預測銷量和實際銷量的相關(guān)系數(shù)，當R=1時，則預測銷量和實際銷量完全相關(guān)，當R=0時，則預測銷量和實際銷量完全不相關(guān)。該模型測試數(shù)據(jù)MSE=0.0694，小于0.1，但R=0.2182，小于0.5，預測效果一般。這是因為樣本數(shù)據(jù)量偏少，只有增加樣本容量，才能提高機器學習預測的精度。