本申请涉及一种车辆的销量预测方法、装置、电子设备及存储介质，其中，方法包括：获取车辆销量的非随机波动序列和随机波动序列，将非随机波动序列和随机波动序列分别输入至预先构建的SARIMA预测模型和预先训练的BP神经网络预测模型，分别得到预测结果，根据非随机波动序列和随机波动序列的预测结果的乘积得到车辆的销量预测结果。由此，解决了相关技术中因车辆销量受技术限制和政策影响较大，相关定性影响因素难以量化，因而无法通过科学构建车辆销量预测模型客观准确的预测车辆销量等问题，通过SARIMA模型以及BP神经网络模型分别对车辆的非随机波动序列和随机波动序列进行预测，从而提升车辆销量预测的准确性及可靠性。性。性。
【技术实现步骤摘要】
车辆的销量预测方法、装置、电子设备及存储介质
[0001]本申请涉及车辆
，特别涉及一种车辆的销量预测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着车辆产业的快速发展，其背后引发的能源短缺和碳排放超标问题已经对经济和环境造成了不小的压力，在双碳背景下，“绿色可持续发展”战略已然深化到车辆各个产业的发展中，新能源汽车应运而生。然而在实际应用中，燃油车使用比例仍然很大，因此需要不断加强新能源车辆的多个研究方向，以促进运输业减少对石油等资源的需求，提高能源的使用效率，进一步推动车辆信息通信技术的创新。因此，科学预测车辆销量发展趋势是社会发展进程中一项必要的基础性工作。
[0003]相关技术中，新能源车辆销量研究大多采取定性和定量结合的方法，通过借助数学统计模型、机器算法针和专家打分法作为预测手段，对新能源车辆销量展开深入研究。
[0004]然而，该方法在预测时主观性较强、准确性较低，无法科学构建新能源车辆销量预测适用模型，并且由于新能源车辆的发展历程较短且发展技术尚未成熟，充电安全问题和续航里程问题成为制约潜在用户选择新能源车辆的重要障碍，因此，其销量受技术限制和政策影响较大，相关定性影响因素难以量化，亟需解决。
技术实现思路
[0005]本申请提供一种车辆的销量预测方法、装置、电子设备及存储介质，以解决相关技术中因车辆销量受技术限制和政策影响较大，相关定性影响因素难以量化，因而无法通过科学构建车辆销量预测模型客观准确的预测车辆销量等问题。
[0006]本申请第一方面实施例提供一种车辆的销量预测方法，包括以下步骤：
[0007]获取车辆销量的非随机波动序列和随机波动序列；
[0008]将所述非随机波动序列输入至预先构建的SARIMA(Seasonal Autoregressive Integrated Moving Average，季节性差分自回归滑动平均模型)预测模型，得到非随机波动序列的预测结果，其中，所述预先构建的SARIMA预测模型由非随机波动序列样本构建得到；
[0009]将所述随机波动序列输入至预先训练的BP(Back Propagation，反向传播)神经网络预测模型，得到随机波动序列的预测结果，其中，所述预先训练的BP神经网络预测模型由随机波动序列样本得到；以及
[0010]根据所述非随机波动序列的预测结果和所述随机波动序列的预测结果的乘积得到所述车辆的销量预测结果。
[0011]根据本申请的一个实施例，在将所述非随机波动序列输入至所述预先构建的SARIMA预测模型之前，还包括：
[0012]获取第一公开样本集，其中，所述第一公开样本集包括非随机波动序列样本；
[0013]基于预设的2阶12步差分运算，将所述非随机波动序列样本转换为平稳序列样本；
[0014]基于所述平稳序列样本，结合预设的auto.arima函数确定待构建SARIMA预测模型的阶数范围，并根据所述待构建SARIMA预测模型的阶数范围构建多个不同阶数的SARIMA预测模型；
[0015]基于预设的赤池信息准则、预设的贝叶斯信息准则、预设的均方根误差和预设的平均绝对百分比误差，确定所述多个不同阶数的SARIMA预测模型中指标值最小的SARIMA预测模型，并将所述指标值最小的SARIMA预测模型作为所述预先构建的SARIMA预测模型。
[0016]根据本申请的一个实施例，在将所述随机波动序列输入至所述预先训练的BP神经网络预测模型的之前，还包括：
[0017]获取第二公开样本集，其中，所述第二公开样本集包括随机波动序列样本；
[0018]利用所述随机波动序列样本训练BP神经网络模型得到所述预先训练的BP神经网络预测模型。
[0019]根据本申请的一个实施例，所述利用所述随机波动序列样本训练BP神经网络模型得到所述预先训练的BP神经网络预测模型，包括：
[0020]通过前向传播算法计算所述BP神经网络模型的隐藏层和输出层的输出；
[0021]通过反向传播算法更新所述隐藏层和所述输出层的权重和误差；
[0022]判断所述误差是否满足预设结束训练条件，所述权重和所述误差的变化是否小于预设阈值，当前训练次数是否达到预设训练次数；
[0023]若所述误差满足所述预设结束训练条件，或者所述权重和所述误差的变化小于所述预设阈值，或者所述当前训练次数达到所述预设训练次数，则将当前BP神经网络预测模型作为所述预先训练的BP神经网络预测模型。
[0024]根据本申请的一个实施例，若所述误差未满足所述预设结束训练条件，且所述权重和所述误差的变化未小于所述预设阈值，且所述当前训练次数未达到所述预设训练次数，继续基于所述随机波动序列样本进行训练。
[0025]根据本申请实施例的车辆的销量预测方法，获取车辆销量的非随机波动序列和随机波动序列，将非随机波动序列和随机波动序列分别输入至预先构建的SARIMA预测模型和预先训练的BP神经网络预测模型，分别得到预测结果，根据非随机波动序列和随机波动序列的预测结果的乘积得到车辆的销量预测结果。由此，解决了相关技术中因车辆销量受技术限制和政策影响较大，相关定性影响因素难以量化，因而无法通过科学构建车辆销量预测模型客观准确的预测车辆销量等问题，通过SARIMA模型以及BP神经网络模型分别对车辆的非随机波动序列和随机波动序列进行预测，从而提升车辆销量预测的准确性及可靠性。
[0026]本申请第二方面实施例提供一种车辆的销量预测装置，包括：
[0027]第一获取模块，用于获取车辆销量的非随机波动序列和随机波动序列；
[0028]第一输入模块，用于将所述非随机波动序列输入至预先构建的SARIMA预测模型，得到非随机波动序列的预测结果，其中，所述预先构建的SARIMA预测模型由非随机波动序列样本构建得到；
[0029]第二输入模块，用于将所述随机波动序列输入至预先训练的BP神经网络预测模型，得到随机波动序列的预测结果，其中，所述预先训练的BP神经网络预测模型由随机波动序列样本得到；以及
[0030]第二获取模块，用于根据所述非随机波动序列的预测结果和所述随机波动序列的预测结果的乘积得到所述车辆的销量预测结果。
[0031]根据本申请的一个实施例，在将所述非随机波动序列输入至所述预先构建的SARIMA预测模型之前，所述第一输入模块，还用于：
[0032]获取第一公开样本集，其中，所述第一公开样本集包括非随机波动序列样本；
[0033]基于预设的2阶12步差分运算，将所述非随机波动序列样本转换为平稳序列样本；
[0034]基于所述平稳序列样本，结合预设的auto.arima函数确定待构建SARIMA预测模型的阶数范围，并根据所述待构建SARIMA预测模型的阶数范围构建多个不同阶数的SARIMA预测模型；
[0035]基于预设的赤池信息准则、预设的贝叶斯信息准则、预设的均方根误差和预设的平均绝对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆的销量预测方法，其特征在于，包括以下步骤：获取车辆销量的非随机波动序列和随机波动序列；将所述非随机波动序列输入至预先构建的SARIMA预测模型，得到非随机波动序列的预测结果，其中，所述预先构建的SARIMA预测模型由非随机波动序列样本构建得到；将所述随机波动序列输入至预先训练的BP神经网络预测模型，得到随机波动序列的预测结果，其中，所述预先训练的BP神经网络预测模型由随机波动序列样本得到；以及根据所述非随机波动序列的预测结果和所述随机波动序列的预测结果的乘积得到所述车辆的销量预测结果。2.根据权利要求1所述的方法，其特征在于，在将所述非随机波动序列输入至所述预先构建的SARIMA预测模型之前，还包括：获取第一公开样本集，其中，所述第一公开样本集包括非随机波动序列样本；基于预设的2阶12步差分运算，将所述非随机波动序列样本转换为平稳序列样本；基于所述平稳序列样本，结合预设的auto.arima函数确定待构建SARIMA预测模型的阶数范围，并根据所述待构建SARIMA预测模型的阶数范围构建多个不同阶数的SARIMA预测模型；基于预设的赤池信息准则、预设的贝叶斯信息准则、预设的均方根误差和预设的平均绝对百分比误差，确定所述多个不同阶数的SARIMA预测模型中指标值最小的SARIMA预测模型，并将所述指标值最小的SARIMA预测模型作为所述预先构建的SARIMA预测模型。3.根据权利要求1所述的方法，其特征在于，在将所述随机波动序列输入至所述预先训练的BP神经网络预测模型的之前，还包括：获取第二公开样本集，其中，所述第二公开样本集包括随机波动序列样本；利用所述随机波动序列样本训练BP神经网络模型得到所述预先训练的BP神经网络预测模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述随机波动序列样本训练BP神经网络模型得到所述预先训练的BP神经网络预测模型，包括：通过前向传播算法计算所述BP神经网络模型的隐藏层和输出层的输出；通过反向传播算法更新所述隐藏层和所述输出层的权重和误差；判断所述误差是否满足预设结束训练条件，所述权重和所述误差的变化是否小于预设阈值，当前训练次数是否达到预设训练次数；若所述误差满足所述预设结束训练条件，或者所述权重和所述误差的变化小于所述预设阈值，或者所述当前训练次数达到所述预设训练次数，则将当前BP神经网络预测模型作为所述预先训练的BP神经网络预测模型。5.根据权利要求4所述的方法，其特征在于，还包括：若所述误差未满足所述预设结束训...
【专利技术属性】
技术研发人员：范垄垄，金飞，王明伟，杨强强，左亮，陈旭，汤舒玲，
申请(专利权)人：奇瑞新能源汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。