《学年论文：组合预测在汽车销量预测中的应用 2012年6月1日》由会员分享，可在线阅读，更多相关《学年论文：组合预测在汽车销量预测中的应用 2012年6月1日（20页珍藏版）》请在金锄头文库上搜索。
1、学学 年年 论论 文文题 目 组合预测法在汽车销量预测中的应用 _学 院 _ _专 业 _ _ _ _ _班级 _ _ 学号_ _学生姓名 _导师姓名_ _ _ _完成日期 _ _ _2012 年 6 月 1 日_一、基本任务及要求1、熟悉时间序列分解法、ARMA 模型、灰色预测法的建模2、掌握组合预测方法在实际问题中的应用3、比较各模型预测效果的优劣二、二、学年论文时间安排1、第 14 教学周，安排和分配学生选题，学生根据兴趣自主选题，查阅资料、调研，获得指导老师的初步指导，弄清使用的主要统计方法、建立模型、或确定主要设计方案。2、第 15 教学周，学生实现调查、统计分析等，获得结果, 撰写
2、学年论文。三、三、学年论文格式说明1、学年论文正文内容在 3000 字以上。2、格式（见格式说明）组合预测法在汽车销售预测中的应用摘要：本文为了提高预测的准确性,引入了组合预测模型,将几个单一预测模型有机地结合起来,综合各个预测模型的优点,对接下来的几个季度汽车销量进行预测。通过使组合预测误差平方和最小,确定各个单一预测方法的权重系数,得出更为准确的预测结果。计算结果表明该方法具有较好的实用性。关键词: 汽车销量预测；时间序列分解法；ARMA 模型；灰色系统理论；组合预测法Application of Combination Forecasting Method in Car SalesAbs
3、tract:This paper forecasts the sales of car in coming seasons. To improve the accuracy of forecasting, the paper presents acombined forecasting method, which integrates several single forecasting methods. Optimal weights are determined by minimizing the sum of squared errors. The combined forecastin
4、g method is rather practicable.Keywords: sales of car prediction;ARMA model;theory of gray system;combination forecasting method.引言中国自加入世贸组织后采取了一系列开放政策，这很大程度上给外国汽车制造商在中国树立消费基地创造了一定的条件，促进了汽车在我国的迅速发展。过去 10 年汽车作为一个典型奢侈品的代名词，如今已转变成为一个平民化的代步工具，很难想象，要是离开了车，我们的生活会出现怎样的变化。伴随着我国国内生产总值（GDP）有望以接近 9%的年平均速度持续增长（
5、反映财富的增加） ，因此人们对汽车的需求也将水涨船高，汽车的年度销量或许将开创历史新高，这种增加幅度将使中国迅速成为全球第二大汽车市场。据 LMC汽车市场咨询研究机构提供的数据显示，2011 年中国汽车市场占到全球市场的24%的份额，预计 2012 年中国汽车销量的增长占全球增量的 40%，在 2011 至2016 年间，预计中国汽车销量的增长几乎会占到整个亚洲增量的 70%，且不管这些预测是否正确，我国汽车行业巨大的潜在市场确实吸引着全世界各大汽车商的眼球，当然也引起了国家和各地区的高度重视，于是一系列的相关措施也相继出台，政府仍然希望保持经济软着陆，重心更多地偏向保增长；利率有望下调，信贷
6、紧缩放缓，这些措施势必影响汽车的销量。另一方面，我国城市化进程带来的巨大交通需求也将有力地拉动汽车消费的增长。如今一线城市越来越多人开始购买第二辆车，我国的汽车市场正向着二三线城市推进，二三线城市汽车普及率迅速提升。当然，社会上的观点也不尽然都是乐观的，也有一些观点认为：目前我国实体经济萎缩、楼市车市低迷、人民币被迫上升、物价上涨等等这一系列因素必然对汽车销量造成一定的影响。那么汽车销量的走势到底呈现何种趋势呢？是持续新高还是逐渐趋于一种相对理性消费？上述种种问题都传达着同一种观点，对汽车销量的研究分析不仅存在着它固有的自身价值，也与我们的生活密切相关。 数据的处理：原始数据来源于中国统计局统
7、计年鉴主要工业产品的生产、销售与库存 ，选取汽车销售量作为研究对象，在确保原始数据无任意改动的前提下，将历年季度数据主要工业产品的生产、销售与库存中汽车销量整合成一张表即为本文样本数据。1、组合预测方法基本原理在经济转轨时期，很难有一个单项预测模型能对宏观经济频繁波动的实现拟合得非常紧密并对其变动的原因做出稳定一致的解释。组合预测模型能改进预测效果，这是因为，参与组合的各种预测模型所产生的误差（下标i为第iie种预测，i=1,2，n）有正有负，如果，经过组合就会产0iEe0iieEe生正负抵消，降低误差，提高组合预测的精度。Makridakis和Winkler在1983年对111个时间序列的外
8、推研究中，发现用两种模型组合，预测误差降低7.3%，而当模型组合增至5种时，预测误差将下降16.3%。本文据数据特点选取时间序列分解法（乘法模型） 、平稳时间序列预测法（ARMA模型）和灰色预测法（GM（1,1）模型）三种预测方法进行组合。2、汽车销量分析预测1）时间序列分解法经济时间序列的变化受许多因素的影响，概括地讲，可以将影响时间序列变化的因素分为四种：长期趋势因素（T） ，季节变动因素（S） ，周期变动因素（C）和不规则变动因素（I） 。时间序列是关于 T、S、C、I 的函数，常用的有加法模型和乘法模型两种形式，结合实际问题的分析，本文采用乘法模型对汽车销量进行分析预测。相关数据如表
9、1-1 所示。表 1-1汽车销售量 20032011 年的季度数据单位：万辆季 度t当季销售量四项平均居中平均 TCSI=Y/TCTC2003.11102.20 22109.90 33112.10 111.75 115.36 1.14 72.44 1.59 44122.80 118.98 121.90 1.09 84.44 1.44 2004.15131.10 124.83 125.94 0.96 96.45 1.31 26133.30 127.05 127.16 0.97 108.45 1.17 37121.00 127.28 128.35 1.09 120.45 1.07 48123.70
10、 129.43 133.04 1.22 132.45 1.00 2005.19139.70 136.65 138.94 1.00 144.45 0.96 210162.20 141.23 147.51 1.18 156.45 0.94 311139.30 153.80 159.58 1.16 168.45 0.95 412174.00 165.35 169.54 1.15 180.45 0.94 2006.113185.90 173.73 177.93 0.97 192.45 0.92 214195.70 182.13 182.66 0.98 204.45 0.89 315172.90 183
11、.20 187.34 1.17 216.46 0.87 416178.30 191.48 195.78 1.18 228.46 0.86 2007.117219.00 200.08 206.20 1.08 240.46 0.86 218230.10 212.33 218.90 1.05 252.46 0.87 319221.90 225.48 231.66 1.16 264.46 0.88 420230.90 237.85 242.60 1.11 276.46 0.88 2008.121268.50 247.35 245.41 0.84 288.46 0.85 222268.10 243.48
12、 242.91 0.93 300.46 0.81 323206.40 242.35 242.66 1.12 312.46 0.78 424226.40 242.98 254.76 1.42 324.46 0.79 2009.125271.00 266.55 286.95 1.29 336.47 0.85 226362.40 307.35 324.55 1.12 348.47 0.93 327369.60 341.75 366.15 1.27 360.47 1.02 428364.00 390.55 403.83 1.16 372.47 1.08 2010.129466.20 417.10 42
13、1.25 0.96 384.47 1.10 230468.60 425.40 443.28 1.14 396.47 1.12 331402.80 461.15 467.16 1.10 408.47 1.14 432507.00 473.18 471.08 0.96 420.47 1.12 2011.133514.30 468.98 474.54 0.94 432.47 1.10 234451.80 480.10 479.78 1.05 444.47 1.08 335447.30 479.45 456.48 1.14 436504.40 468.48 1.11 先用移动平均法剔除长期趋势和周期变
14、动，然后再用按季平均法求出季节指数（移动平均项数取 4） 。做两次移动，得到不含季节因素和不规则变动因素序列 TC 见表 1-1 第（5）栏。用 Y 除以 TC，即可得到只含周期因素和不规则变动因素的序列 SI 见表 1-1 第（6）栏。将序列 SI 重新排列得表 1-2，采用按季平均法，即可求得各年的同季平均数，由于四个季度的平均数之和为 4.371167，不等于 4，因此，需要作出修正，其修正系数为 4/4.37=0.92。经过修正后，即得汽车销售量的季节指数，如表1-2 最后一行所示（季节指数一般用百分数表示，表中数据已化为百分数） 。表 1-2 运用按季平均法求季节指数 单位：%年份一
15、季度二季度三季度四季度合计同季平均1.0048958231.0539912811.1510964921.1611836674.37季节指数0.9195674860.964494121.0533538741.062584524将时间序列 T、S、C 分解出来后，剩下的即为不规则变动，即：I=Y/(TSC)由于不规则变动因素是不可预测的，因此分解出来的不规则变动因素对于时间序列的预测是没有什么意义的。故而可以略去实际运算，只需在分析的时候考虑即可。由计算所得结果（表 1-1） ，可预测接下来几个季度的销量，如表 1-3。表 1-3时间序列分解法的预测值单位：万辆季度TSC销售量预测值2012.10
16、.919567486480.48 1.13 499.26906042012.20.96449412492.48 1.12 531.99119172012.31.053353874504.48 1.15 611.10414532012.41.06258452516.48 1.16 636.6122372由所得模型预测历年汽车的季度销售量，计算标准误可以看出，标准误基本控制在 15%以内，也就是说，模型的预测效果一般，考虑到的因素还不够全面，即不规则变动因素在预测模型中所占的比例偏大了，此情况下对未来的预测值更是有着一定的偏差了，因为由该模型得出的预测值是没有考虑不规则变动因素的。故而通过此模型我们只能对汽车未来销售量的走势做一个大致了解。2）平稳时间序列预测法（ARMA 模型）ARIMA 模型，是指将非平稳时间序列转化为平
