10.16638/jki.1671-7988.2018.08.007
中国新能源汽车销量组合预测模型
苏越，吴梓乔
（长安大学汽车学院，陕西西安710064）
摘要：为响应国家节能减排的号召，以及满足汽车产业升级的迫切需要，新能源汽车逐渐兴起，准确预测新能源汽车销量意义重大。文章首先采用一元线性回归预测的方法得到回归方程；其次，运用灰预测的方法建立灰预测模型；为提高预测精度，对两种预测方法作均值处理，建立新能源汽车销量组合预测模型。结合2014年-2017年中国新能源汽车销售量，运用三种模型预测2018年销售量，经检验，组合预测的精度要高于两种方法分别预测的精度。
fx50关键词：新能源汽车销量；回归预测；灰预测；组合预测
中图分类号：U469.72 文献标识码：B 文章编号：1671-7988(2018)08-21-03
The Combinational Forecast Model for New Energy Vehicles’ Sales in China
Su Yue, Wu Ziqiao
( School of Automobile, Chang’An University, Shaanxi Xi'an 710064 )
Abstract: In response to the call of national energy saving and emission reduction and the urgent need to meet the upgrading of the automotive industry, the new energy vehicle is emerging. It is of great significance to predict the sales of new energy vehicles accurately. First of all, the regression equation is predicted by the method of one-variable linear regression. Secondly, the grey prediction model is established by using the grey prediction method. In order to improve the prediction accuracy, the two prediction methods are processed equally, and the new energy vehicle sales volume combination forecasting model is established. Combined with the 2014 -2017 data, the sales volume of Chinese new energy vehicle is forecasted by using three models, and the sales volume is forecasted in 2018. The accuracy of combined forecasting is higher than that of the two methods.
Keywords: sales of new energy vehicle; regression prediction; grey prediction; combination prediction
CLC NO.: U469.72 Document Code: B Article ID: 1671-7988(2018)08-21-03
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、灰预测等。不同的预测方法适用于解决不同方面的问题，预测
作者简介：苏越，就读于长安大学汽车学院，本科生，主要研究方
向：车辆工程。吴梓乔，就读于长安大学汽车学院，本科生，主要
高速公路免费时间延长研究方向：车辆工程。
21
汽车实用技术
22
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：
（1）
（2）
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 灰预测模型
【2】
2.1 灰预测模型GM （1,1）的建立
长城c30保养费用将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，
（3） 建立其一阶线性白化微分方程，建立GM （1,1）模型：
（4）    2.2 灰预测模型求解
利用最小化二乘法计算a 、u ，得 ，
其中：
深圳交通违章查询系统（5）
（6）
（7）
则其GM （1,1）时间响应函数为：
（8）
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：
（9）
利用灰预测模型得到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： yi= w1* fi1+ w2* fi2                          （10） 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。
苏越 等：中国新能源汽车销量组合预测模型
23
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20
15年，这两年中，除了灰预测模型是由于将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。
5 结论
世爵c8 laviolette本文分别利用一元线性回归预测、灰预测和组合预测三种预测方法进行预测，建立了新能源汽车销量的三种预测模型。通过分析各模型的误差率，可表明组合预测改善了两种预测模型的精度。
参考文献
[1] 郝乐，吴頔.线性回归组合预测模型——以中国人口老龄化预测为
例[J].沈阳大学学报(社会科学版),2016,18(03):290-293.
[2] 朱登远，常晓凤.灰预测GM(1,1)模型的Matlab 实现[J].河南城建
学院学报,2013,22(03):40-46.
[3] 刘泽双，闫付强.基于遗传算法的就业需求量组合预测模型[J].系
统工程,2009,27(08):62-68.
（上接第11页） 测量结果造成影响
采用表一中连续四次续驶里程检测结果，由于次数较少，采用极差法进行A 类不确定度评定，极差R=1.97km ，从JJF1059.1-2012中4.3.2.3查得极差系数C=2.06：
（4）
4.2.2 续驶里程D 的B 类不确定度U DB 的评定  依据底盘测功机出厂说明书，距离测量精度为±0.1%，
且服从均匀分布，k=。
U DB =0.1%*
=0.18km
4.2.3 距离测量结果相对标准不确定度合成
相对标准不确定度
= 0.51/319.72 = 0.16%
5 合成相对标准不确定度
和谐集团冯长革6 扩展不确定度
取k p =2，则扩展不确定度U 为：
7 不确定度报告
即本次能量消耗率试验测得能量消耗率为154.91 wh/ km ，其扩展不确定度U=0.78 wh/km 。