[发明专利]一种结合计量经济学和启发式智能的汽车销量预测方法及系统

说明书

技术领域

本发明属于汽车销量预测技术领域，特别是涉及一种结合计量经济学和启发式智能的汽车销量预测方法及系统。

背景技术

汽车工业是国民经济的支柱产业，它与人们的生活息息相关，已成为现代社会必不可少的组成部分。然而，随着经济的发展，汽车制造商之间的竞争一直在快速增长。制造商被迫研究市场的机制因素以及使用科学的方法来做出正确的市场预测，以此来帮助他们克服行业的竞争。面对有效的管理资源和收入最大化，当务之急就是可以正确地计划生产活动。在生产计划过程中，预测作为商业计划的输入，用来确定人力资源的适当水平，因此，汽车销量预测在汽车行业中起着重要的作用。

目前，关于汽车销量预测的研究成果，使用的方法主要有定性预测和定量预测两种。其中定性预测方法包括专家预测、主观概率预测等方法，定量预测方法主要有时间序列预测法、回归模型预测法、灰色系统模型预测法、BP神经网络预测法等，每种方法各有特点。在一定程度上，各类预测算法在对汽车销量中取得一定的效果，但是得到的长期预测精度和速度不够理想，且容易忽略汽车销量与经济变量之间结构关系的有效利用。

混合算法充分利用粒子群算法的快速、全局收敛性和蚁群算法的信息素正反馈机制，达到优势互补。因此，如何运用智能优化方法集成的方式对模型参数进行智能提取，以获得运行速度更快、预测精度更高的对汽车销量的预测模型具有很大的意义。

目前，有很少的文献分析汽车销量与经济变量之间的关系，比如，国内生产总值(GDP)、汽油价格、居民消费价格指数(CPI)以及消费者信心指数(CCI)等。在计量经济学时间序列研究领域，多元时间序列技术的向量误差修正模型已经被专门设计用于量化系统中变量之间的结构关系，可以有效应用于非平稳性时间序列的长期均衡分析。

发明内容

为了克服现有预测方法的长期预测精度不高以及预测运行速度较慢等问题，本发明提供了一种基于计量统计学和启发式智能的汽车销量预测方法，通过计量统计学分析了汽车销量与经济变量之间的因果关系和长期均衡关系，区分出内外生变量，减少外生变量的干扰，并通过建立向量误差修正模型反映了变量之间由短期波动向长期均衡调整的动态过程，从而明确地表征变量之间的动态演变规律。另外，启发式智能算法不仅适合于大规模并行，而且可以在合理的时间限制内逼近优化问题的较好可行解。另外，将两种启发式智能算法进行集成，到达优势互补，每次迭代中，混合算法通过比较粒子群和蚁群算法的最优值来获取最佳值，以此加大寻找到系统的最优解决方案的可能性。

本发明的技术方案：

一种结合计量经济学和启发式智能的汽车销量预测系统，包括数据库、数据获取模块、单位根检验模块、弱外生性检验模块、协整检验模块、格兰杰因果关系检验模块、模型储存模块、基于启发式智能优化模块和销量预测应用系统模块；

所述的数据库包括汽车销量、各经济变量数据和品牌车的销量三方面数据，其中汽车销量为过往时期的汽车总销量，经济变量包括CPI、CCI和汽油价格，品牌车的销量为各品牌段销量较高的汽车，例如低端的奇瑞，中端的大众以及高端的宝马都占据各品牌段的销量第一，以上三方面的数据均影响当前所需预测的销量，在此统称为预测变量，作为销量预测的基础；数据库中的所有原始数据分为年度、季度和月度数据；

所述的数据获取模块用于连接数据库与汽车销量预测系统，获取预测所需的原始预测变量；

所述的单位根检验模块与数据获取模块连接，对所获得的原始预测变量命名成时间序列的形式，再进行平稳性检查，比较常用的有DF(Dickey-Fuller)检验、ADF(Augmented Dickey-Fuller)检验以及PP(Phillips-Perron)检验。ADF是DF检验的扩展版本。一般采用ADF检验序列的平稳性。ADF的原假设是至少存在一个单位根，备选假设认为序列不存在单位根。在ADF检测中提供了三个具体的单位测试案例：有截距、有截距且有时间趋势以及什么都没有；

所述的弱外生性检验模块与单位根检验模块连接，对通过单位根检验的原始预测变量进行内外生性区分；弱外生性检验还解决了模型中过度参数化问题，如果被视为外生变量，可以减少模型中方程的数量；

所述的协整检验模块与弱外生性检验模块连接，对通过弱外生性检验筛选的内生变量进行协整检验，检验内生变量之间的线性整合是否平稳，若平稳则说明该时间序列就是协整的。经常采用的方法是Johansen检验。因为相比于EG检验，Johansen检验可以给出全部的协整关系、不必划分内外生变量且检验功效更稳定；