本文關(guān)鍵詞：基于時間序列分析的汽車銷量預(yù)測研究　出處：《合肥工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 汽車銷量預(yù)測 時間序列分析 大數(shù)據(jù) 變量選擇 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：中國已經(jīng)成為全球最大的汽車生產(chǎn)和汽車消費市場。汽車工業(yè)的發(fā)展帶動了諸多周邊產(chǎn)業(yè)的發(fā)展,對于拉動內(nèi)需和促進出口增長都具有很大的積極意義。因此準(zhǔn)確地預(yù)測汽車銷量有助于政策制定者從宏觀上整體掌控市場發(fā)育與成長態(tài)勢,有助于汽車制造廠商從微觀上研究市場行情以制定營銷策略�，F(xiàn)有汽車銷量預(yù)測研究大多面向整體汽車市場而非單一汽車品牌,而且缺乏對網(wǎng)絡(luò)大數(shù)據(jù)的深入挖掘,忽略了大數(shù)據(jù)對于汽車銷量的預(yù)測能力。針對上述問題,提出一種基于網(wǎng)絡(luò)大數(shù)據(jù)和傳統(tǒng)統(tǒng)計學(xué)時間序列分析的考慮品牌情感的汽車銷量預(yù)測BOAR模型,對于單一品牌,在考慮該品牌不同時間窗歷史銷量基礎(chǔ)上,結(jié)合用戶在線評論中挖掘的用戶情感值進行汽車銷量預(yù)測。對多個汽車品牌的實驗表明,綜合歷史同期銷量、前期銷量和品牌情感的BOAR模型平均預(yù)測誤差為5.93%,比自回歸模型降低8.59個百分點,BOAR模型可以準(zhǔn)確預(yù)測單一汽車品牌的銷量,具有更好的穩(wěn)定性。與此同時,我們意識到BOAR模型及傳統(tǒng)的時間序列分析模型都存在以下問題:(1)汽車銷量影響因素眾多,不同品牌的汽車其銷量的影響因素本身可能也是不一致的,對于不同的汽車品牌采用一致的影響因素作為預(yù)測的解釋變量是不合理的(2)需要事先假定影響因素和銷量之間呈線性關(guān)系,對于高度非線性的關(guān)系難以準(zhǔn)確用數(shù)學(xué)模型擬合。因此進一步提出一種通用的銷量預(yù)測MISF模型,基于MARS變量選擇過程和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式預(yù)測單一汽車品牌的月度銷量。實驗結(jié)果表明MISF模型的預(yù)測誤差平均為4.04%,比BOAR模型進一步降低了1.49個百分點。這也驗證了變量選擇和神經(jīng)網(wǎng)絡(luò)在汽車銷量預(yù)測研究中具有重要作用。本文提出的BOAR模型和MISF模型準(zhǔn)確預(yù)測了單一汽車品牌粒度的月度銷量,研究結(jié)果不僅對于汽車領(lǐng)域的銷量預(yù)測研究具有一定的借鑒意義,同時可以為汽車制造廠商生產(chǎn)規(guī)劃和控制提供更有效的決策支持。
[Abstract]:China has become the world's largest auto production and automobile consumption market. The development of automobile industry has driven the development of many peripheral industries. It has great positive significance for stimulating domestic demand and promoting export growth. Therefore, accurate prediction of car sales will help policy makers to control the overall market development and growth situation from the macro perspective. It is helpful for automobile manufacturers to study the market from the micro level in order to formulate marketing strategy. Most of the existing research on automobile sales forecast is aimed at the whole automobile market rather than a single automobile brand. And the lack of the network big data in-depth mining, ignoring big data's ability to predict car sales. In response to the above problems. This paper presents a BOAR model of automobile sales forecasting based on network big data and traditional statistical time series analysis. For a single brand, considering the historical sales of the brand in different time windows. Combined with the user emotional values mined in online reviews to predict the car sales. The experiments on multiple automobile brands show that the integrated historical sales volume in the same period. The average prediction error of pre-sales and brand emotion BOAR model is 5.93%, which is 8.59% lower than that of autoregressive model, which can accurately predict the sales volume of a single car brand. At the same time, we realized that both the BOAR model and the traditional time series analysis model have the following problems: 1) there are many factors affecting car sales. The factors affecting the sales of different brands may also be inconsistent. For different automobile brands, it is unreasonable to use consistent influencing factors as predictive variables.) it is necessary to presuppose linear relationship between influencing factors and sales volume. For highly nonlinear relationships, it is difficult to fit the mathematical model accurately. Therefore, a general sales forecasting MISF model is proposed. Based on the combination of MARS variable selection process and BP neural network, the monthly sales volume of a single automobile brand is predicted. The experimental results show that the average prediction error of the MISF model is 4.04%. It is proved that variable selection and neural network play an important role in the prediction of automobile sales volume. The BOAR model and MISF model proposed in this paper are more important than the BOAR model. Type A accurately predicts the monthly sales volume of single automobile brand granularity. The results can not only be used for reference in the field of automobile sales prediction, but also provide more effective decision support for the production planning and control of automobile manufacturers.
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F426.471

【相似文獻】

相關(guān)期刊論文 前10條

1 ;一部有影響的書——《時間序列分析的工程應(yīng)用》[J];華中理工大學(xué)學(xué)報;1991年04期

2 陳鈞;伍云山;;統(tǒng)計技術(shù)應(yīng)用 時間序列分析[J];日用電器;2011年04期

3 張景繪;邱陽;;時間序列分析在振動中的應(yīng)用[J];振動與沖擊;1983年01期

4 黃仁;;時間序列分析及其在機械工程中的應(yīng)用(一)[J];江蘇機械;1984年04期

5 黃仁;;時間序列分析及其在機械工程中的應(yīng)用(一)[J];江蘇機械;1984年04期

6 成志清 ,金瑞琪 ,林松 ,張寶榮;時間序列分析在機床主軸系統(tǒng)動態(tài)性能研究中的應(yīng)用[J];江蘇工學(xué)院學(xué)報;1986年01期

7 TB銳;時間序列分析中的模型定階策略[J];國防科技大學(xué)學(xué)報;1988年04期

8 楊建東;于化東;譚云成;;時間序列分析中一些特殊情況的探討[J];長春光學(xué)精密機械學(xué)院學(xué)報;1988年02期

9 ;《時間序列分析的工程應(yīng)用》一書即將出版發(fā)行[J];振動、測試與診斷;1990年01期

10 陳子蔭;時間序列分析——一種預(yù)報巖體力學(xué)行為的可能途徑[J];巖土工程學(xué)報;1991年04期

相關(guān)會議論文 前10條

1 高峰;;時間序列分析在顧客滿意度中的應(yīng)用研究[A];第三屆中國質(zhì)量學(xué)術(shù)論壇論文集[C];2008年

2 鄭文衡;陳俊華;嚴(yán)尊國;楊立明;張秋文;;用時間序列分析預(yù)報地震的新途徑[A];1995年中國地球物理學(xué)會第十一屆學(xué)術(shù)年會論文集[C];1995年

3 蘇春宏;張宏;;時間序列分析在規(guī)劃環(huán)境影響評價環(huán)境背景分析中的應(yīng)用[A];2010中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集(第二卷)[C];2010年

4 鐘球;蔣莉;周琳;李建偉;陳瑜暉;連永娥;;廣東省結(jié)核病發(fā)病趨勢的時間序列分析[A];中國防癆協(xié)會科普委員會第十二屆學(xué)術(shù)大會論文集[C];2010年

5 余衛(wèi)東;閔慶文;;商丘市居民生活消費生態(tài)足跡的時間序列分析[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——河南省第四屆青年學(xué)術(shù)年會論文集（下冊）[C];2004年

6 李圣明;;時間序列分析及其在變形監(jiān)測中的應(yīng)用研究[A];湖北省測繪學(xué)會2006年度科學(xué)技術(shù)交流會論文集[C];2006年

7 鄭璐石;鄭穎人;;對時間序列分析的建模問題初探[A];水電與礦業(yè)工程中的巖石力學(xué)問題——中國北方巖石力學(xué)與工程應(yīng)用學(xué)術(shù)會議文集[C];1991年

8 劉曉斌;;小波網(wǎng)絡(luò)在經(jīng)濟時間序列分析中的應(yīng)用[A];管理科學(xué)與系統(tǒng)科學(xué)進展——全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第4卷）[C];1997年

9 任永建;周鎖銓;石順吉;;2005年南京市PM_(10)濃度時間序列分析[A];中國氣象學(xué)會2007年年會大氣成分觀測、研究與預(yù)報分會場論文集[C];2007年

10 閔慶文;余衛(wèi)東;成升魁;;商丘市居民生活消費生態(tài)足跡的時間序列分析[A];生態(tài)學(xué)與全面·協(xié)調(diào)·可持續(xù)發(fā)展——中國生態(tài)學(xué)會第七屆全國會員代表大會論文摘要薈萃[C];2004年

相關(guān)重要報紙文章 前3條

1 ;統(tǒng)計新書評介[N];中國信息報;2001年

2 本報記者 李愛銘;“小神算”出手,誤差僅六千[N];解放日報;2010年

3 早報記者 韓曉蓉　實習(xí)生 楊鑫P";高中生用數(shù)學(xué)模型預(yù)測世博客流 平均誤差6000人[N];東方早報;2010年

相關(guān)博士學(xué)位論文 前4條

1 聶淑媛;時間序列分析的早期發(fā)展[D];西北大學(xué);2012年

2 張晉昕;醫(yī)學(xué)時間序列分析及其預(yù)測應(yīng)用相關(guān)問題的研究[D];第四軍醫(yī)大學(xué);2000年

3 王鼐;非線性動力學(xué)方法在時間序列分析中的應(yīng)用[D];復(fù)旦大學(xué);2005年

4 鮑漪瀾;基于支持向量機的金融時間序列分析預(yù)測算法研究[D];大連海事大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李雪;基于EMD的變形預(yù)測組合模型的研究與應(yīng)用[D];長安大學(xué);2015年

2 朱學(xué)婷;基于RBF-GARCH模型的股指預(yù)測研究[D];蘭州大學(xué);2015年

3 李嶺;基于GARCH與BP-ANN的股價預(yù)測能力比較研究[D];西南交通大學(xué);2015年

4 王健;基于時間序列分析的寧夏能源消費預(yù)測[D];寧夏大學(xué);2015年

5 朱曉楠;基于聚類和時間序列分析的保險業(yè)發(fā)展水平研究[D];蘇州大學(xué);2015年

6 錢曉東;基于時間序列分析的風(fēng)電功率預(yù)測研究[D];山西大學(xué);2015年

7 趙薇;基于時間序列分析與數(shù)據(jù)模型的過程報警管理系統(tǒng)[D];電子科技大學(xué);2014年

8 李璐潔;基于時間序列分析的內(nèi)燃機故障診斷及GUI的設(shè)計[D];西安電子科技大學(xué);2014年

9 郭松;基于時間序列分析的基坑沉降監(jiān)測數(shù)據(jù)分析研究[D];東華理工大學(xué);2015年

10 陳瑤;基于時間序列分析的我國GDP預(yù)測模型[D];蘇州科技學(xué)院;2015年

，

本文編號：1362998