[发明专利]一种电动汽车保有量预测方法

权利要求书

1.一种电动汽车保有量预测方法，其特征在于，包括：

根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量；

根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型；

根据所述组合预测模型进行BASS模型参数拟合；

对拟合后的BASS模型进行参数优化，建立电动汽车与传统汽车之间的联系；

根据参数优化后的BASS模型以及电动汽车与传统汽车之间的联系，建立改进BASS模型；

根据所述改进BASS模型实现对电动汽车保有量预测。

2.根据权利要求1所述的电动汽车保有量预测方法，其特征在于，所述根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量，包括：

根据采集到的过去十年内的传统汽车保有量数据，对灰色预测模型、线性回归模型和BP神经网络模型均进行参数训练，得到训练好的参数；

根据训练好的参数预测未来十年的传统汽车保有量。

3.根据权利要求2所述的电动汽车保有量预测方法，其特征在于，对灰色预测模型进行参数训练包括：

对于原始数据列：y⁽⁰⁾＝{y⁽⁰⁾(1)，y⁽⁰⁾(2)...y⁽⁰⁾(N)}；

对数据进行累加：x⁽¹⁾(N)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)+x⁽⁰⁾(3)+…+x⁽⁰⁾(N)；

构成叠加数据列：y⁽¹⁾＝{y⁽¹⁾(1)，y⁽¹⁾(2)...y⁽¹⁾(N)}；

定义为原始数列的光滑比，数据光滑比ρ(k)∈(0，0.5)满足灰色预测的数据要求；

建立白化方程：

其中，y⁽¹⁾(t)表表示叠加数据列中第t个数据，和是对原始数据利用OLS的拟合值；

求解所述白化方程，计算预测值：

4.根据权利要求2所述的电动汽车保有量预测方法，其特征在于，对线性回归模型进行参数训练包括：

根据线性回归模型预测参数拟合公式进行参数训练，其中所述线性回归模型预测参数拟合公式为：

5.根据权利要求2所述的电动汽车保有量预测方法，其特征在于，对BP神经网络模型进行参数训练，包括：

确定网络结构；

对激励函数进行调整，其中激励函数为：

其中，表示神经元j的非线性激活函数，v_j(n)表示神经元j的诱导局部域。

6.根据权利要求2所述的电动汽车保有量预测方法，其特征在于，所述根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型，包括：

建立组合预测模型，根据非线性规划方法，求解所述组合预测模型的权重，其中t时期的真实值分别为：

y₁(t)，y₂(t)，…，y_n(t)，

其中t时期的估计值分别为：

设置目标函数Q，其中，

其中，i＝1时，表示灰色预测，i＝2时，表示BP神经网络，i＝3时，表示线性回归；

ω_i(t)表示第i种预测方法在t时期的权重，满足Q表示误差平方和的最小值；

根据权重的组合使得得到的预测数据总误差最小。