周彥福 王紅蕾

摘 要：在新能源汽車可緩解未來一系列環(huán)境、資源問題的重要背景下，對新能源汽車銷售量準(zhǔn)確預(yù)測有助于加速新能源汽車市場推廣，降低相關(guān)生產(chǎn)研發(fā)企業(yè)運營成本。提取8個關(guān)鍵影響因素，應(yīng)用灰色關(guān)聯(lián)分析（GRA）驗證各因素影響能力，然后構(gòu)建基于果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)（FOA-GNN）預(yù)測模型的新能源汽車月度銷售量預(yù)測模型。通過預(yù)測結(jié)果對比檢驗，驗證該預(yù)測模型在預(yù)測新能源汽車銷售量上有較高的預(yù)測精度。應(yīng)用該模型對我國新能源汽車2019年月度銷售量進(jìn)行預(yù)測，結(jié)果表明，我國新能源汽車發(fā)展在2019年度依然可保持良好的增長態(tài)勢。

關(guān)鍵詞：新能源汽車;銷售量;果蠅算法;灰色神經(jīng)網(wǎng)絡(luò);銷售量預(yù)測

DOI：10. 11907/rjdk. 191585 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP319文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）008-0149-05

Research on Monthly Sales Forecasting Model of New Energy Vehicles in China

ZHOU Yan-fu，WANG Hong-lei

（School of Management， Guizhou University， Guiyang 550003， China）

Abstract： Under the background of important measures to alleviate a series of environmental and resource problems in the future， the accurate forecast of new energy vehicle sales can accelerate the promotion of new energy vehicles and reduce the operating costs of production and research-related enterprises. This paper extracts eight key influencing factors， and uses gray relevance analysis （GRA） to verify the influencing ability of each factor， and then constructs a new energy vehicle monthly sales forecasting model based on FOA-GNN prediction model. Through the comparison test of prediction results， it is verified that the prediction model has higher prediction accuracy in predicting the sales volume of new energy vehicles. Finally， the model is used to forecast the monthly sales volume of new energy vehicles in China in 2019. The results show that the development of new energy vehicles in China still maintains a good growth trend in 2019.

Key Words： new energy vehicle; sales volume; fruit fly algorithm; grey neural network;? sales volume prediction

基金項目：南方電網(wǎng)資助項目（066601（2016）030101XT198）

作者簡介：周彥福（1994-），男，貴州大學(xué)管理學(xué)院碩士研究生，研究方向為管理系統(tǒng)工程;王紅蕾（1959-），男，貴州大學(xué)管理學(xué)院教授、博士生導(dǎo)師，研究方向為管理系統(tǒng)工程。本文通訊作者：王紅蕾。

0 引言

近年來，世界各國都面臨能源短缺、環(huán)境污染嚴(yán)重、溫室效應(yīng)加劇等影響人類生存發(fā)展的重大問題，新能源汽車的推廣和使用成為緩解該系列問題的重要舉措之一。燃油汽車的使用需要消耗大量化石能源，且排放大量廢氣，造成資源枯竭和環(huán)境污染。使用新興清潔能源作為主要動能的汽車對環(huán)境造成的污染遠(yuǎn)小于燃油汽車，現(xiàn)今大批量應(yīng)用在汽車領(lǐng)域的新能源是電能，雖然電力在生產(chǎn)過程中會造成一定的能源消耗和污染，但是新能源汽車的使用不會產(chǎn)生污染，是替代燃油汽車的一種有效交通工具。

新能源汽車產(chǎn)銷量在2018年有顯著增長，從總產(chǎn)量上看，2018年總產(chǎn)量比2017增長了60.2%;從總銷量上看，2018年比2017年增長了62.4%。由產(chǎn)銷數(shù)據(jù)可知，我國新能源汽車在近幾年發(fā)展非常迅速;但是從產(chǎn)銷總量看，燃油汽車的生產(chǎn)與銷售量仍然占所有汽車品類90%以上。所以新能源汽車研發(fā)、推廣與使用依舊是一個重要研究問題。近年來在政府和企業(yè)的共同努力下，新能源汽車生產(chǎn)成本、行駛里程、資金投入和使用等關(guān)鍵問題獲得重大突破。新能源汽車銷售量預(yù)測對加速新能源汽車市場推廣、降低生產(chǎn)研發(fā)相關(guān)企業(yè)的運營成本具有重要引導(dǎo)作用，對企業(yè)制訂相關(guān)生產(chǎn)銷售方案及擴(kuò)大市場規(guī)模具有重要意義，也是企業(yè)銷售管理的關(guān)鍵問題之一。

文獻(xiàn)[1]采用偏好調(diào)查法分析未來動態(tài)市場對汽油、混合動力和純電動汽車的偏好，把車輛購買價格、燃油經(jīng)濟(jì)性、充電范圍和燃油價格作為動態(tài)變化的屬性[1];文獻(xiàn)[2]認(rèn)為增加政府補貼政策，降低新能源汽車的生命周期成本，提高新能源汽車有效性，將提高消費者購買新能源汽車的意愿[2];文獻(xiàn)[3]認(rèn)為中國消費者決定是否購買新能源汽車最重要的影響因素包括產(chǎn)品內(nèi)在品質(zhì)、政府政策刺激、成本、參照群體和象征性因素[3]。

目前，銷量預(yù)測主要分為基于數(shù)學(xué)統(tǒng)計的方法與基于機(jī)器學(xué)習(xí)的方法。數(shù)學(xué)統(tǒng)計類方法依賴于產(chǎn)品歷史銷量數(shù)據(jù)，難以把握市場需求及產(chǎn)品生命周期[4]，預(yù)測精度不高，例如多元回歸分析[5-6]、Holt-Winters方法[7-8]等。機(jī)器學(xué)習(xí)方法比數(shù)學(xué)統(tǒng)計方法的預(yù)測效果更佳，但是所需數(shù)據(jù)量較大，例如神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）[9-10]、支持向量機(jī)[11]、機(jī)器學(xué)習(xí)[12]等。近年來，以多種預(yù)測技術(shù)、方法相結(jié)合的方式解決因技術(shù)、方法單一造成的預(yù)測誤差較大的問題已成為預(yù)測模型研究熱點[13-15]。

灰色系統(tǒng)理論（Grey System Theory，GST）主要用于處理“灰色”系統(tǒng)中存在的一系列問題[16]，所以GST用于預(yù)測難免出現(xiàn)較大誤差?；疑窠?jīng)網(wǎng)絡(luò)（Gray Neural Network，GNN）繼承了GST處理“貧信息”的能力與神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）的學(xué)習(xí)能力，因此在處理相同數(shù)據(jù)并進(jìn)行預(yù)測時，GNN更為準(zhǔn)確。文獻(xiàn)[17]提出了一種BP神經(jīng)網(wǎng)絡(luò)與灰色關(guān)聯(lián)分析相結(jié)合的變權(quán)重系數(shù)組合預(yù)測模型，文獻(xiàn)[18]提出一種果蠅算法優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)模型，文獻(xiàn)[19]提出一種動態(tài)粒子群算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型，文獻(xiàn)[20]提出一種改進(jìn)的多維灰色模型和神經(jīng)網(wǎng)絡(luò)的混合模型預(yù)測銷量。

綜上所述，本文針對新能源汽車銷售數(shù)據(jù)較少、銷售趨勢與變化規(guī)律復(fù)雜、影響因素較多的情況，提取影響新能源汽車銷售量關(guān)鍵影響因素，通過灰色關(guān)聯(lián)分析并驗證各因素的影響能力，再構(gòu)建基于果蠅優(yōu)化算法（Fruit Fly optimization algorithm，F(xiàn)OA）優(yōu)化的GNN預(yù)測模型，使該預(yù)測模型在預(yù)測新能源汽車銷售量時得出較高的預(yù)測精度。

1 相關(guān)理論介紹

1.1 灰色神經(jīng)網(wǎng)絡(luò)

GST是研究難以完全采集到準(zhǔn)確信息或采集信息量很少的情況下，對信息進(jìn)行科學(xué)有效處理的理論。NN是對動物神經(jīng)反應(yīng)的特征進(jìn)行數(shù)學(xué)仿真建立類似神經(jīng)反應(yīng)的數(shù)學(xué)模型。在應(yīng)用層面上，兩種方法都能夠統(tǒng)計過去數(shù)據(jù)信息預(yù)測未來趨勢，兩者的不同在于灰色預(yù)測方法所需信息量較少，NN預(yù)測所需數(shù)據(jù)量較大。由于所需數(shù)據(jù)量不同，很難比較兩種預(yù)測方法的優(yōu)劣。在無法收集到大量準(zhǔn)確且完整的數(shù)據(jù)時，又希望通過NN的不斷學(xué)習(xí)進(jìn)化實現(xiàn)良好的預(yù)測效果，于是產(chǎn)生了繼承GST處理“貧信息”能力與NN學(xué)習(xí)能力的GNN模型。學(xué)習(xí)流程如圖1所示。

圖1 GNN學(xué)習(xí)流程

1.2 果蠅優(yōu)化算法

該算法原理是根據(jù)果蠅能夠高效地搜集漂浮在空氣中的食物或者同伴的氣味，然后飛向散發(fā)氣味位置的這一特性推演而來。FOA數(shù)學(xué)仿真簡要流程如圖2所示。

圖2 FOA流程

1.3 果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型

GNN預(yù)測模型的每次預(yù)測都會隨機(jī)初始化該模型的權(quán)值閾值，造成該模型在訓(xùn)練中極易陷入局部最優(yōu)，預(yù)測時出現(xiàn)預(yù)測結(jié)果不穩(wěn)定等情況。FOA具備優(yōu)秀的全局尋優(yōu)能力，果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)（FOA-GNN）預(yù)測模型通過FOA對GNN預(yù)測模型中的權(quán)值閾值進(jìn)行優(yōu)化調(diào)整，使網(wǎng)絡(luò)不易陷入局部最優(yōu)的問題。簡要流程如圖3所示。

2 預(yù)測模型構(gòu)建

2.1 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析（Grey Relevance Analysis，GRA）是分析各影響因素之間發(fā)展趨勢異同程度的方法，能夠有效驗證各影響因素的影響能力。相關(guān)公式如下：

[x0=x0（k）|k=1，2，？，n=（x0（1），x0（2），？，x0（n））] （1）

[xi=xi（k）|k=1，2，？，n=（xi（1），xi（2），？，xi（n）），]

[i=1，2，？，m]? （2）

[γi（k）=minsmintx0（t）-xs（t）+ηmaxsmaxtx0（t）-xs（t）x0（t）-xi（t）+ηmaxsmaxtx0（t）-xs（t）] （3）

其中，[k]表示時刻，[x0]表示參考數(shù)列，[xi]表示第[i]個比較數(shù)列;式（3）中[γi（k）]表示在[k]時刻，數(shù)列[xi]對[x0]的灰色關(guān)聯(lián)系數(shù);[η]表示分辨系數(shù)，取值區(qū)間為[0，1];兩級最小差使用[minsmintx0（t）-xs（t）]表示;使用[maxsmaxtx0（t）-xs（t）]表示兩級最大差。

通過式（4）計算數(shù)列[xi]對參考數(shù)列[x0]的關(guān)聯(lián)度。

[ri=1nk=1nγi（k）]? （4）

2.2 模型構(gòu)建

構(gòu)建FOA-GNN模型步驟及相關(guān)計算公式如下。

（1）根據(jù)實際數(shù)據(jù)情況，確定GNN結(jié)構(gòu)，繼而能夠確定訓(xùn)練參數(shù)[a，b，？，bi]，通過式（5）、（6）計算確定初始化GNN的權(quán)值、閾值。

圖4 灰色神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在圖4中，t表示輸入序列時間序號;[ω11，ω21，？，ω2n，][ω31，ω32，？，ω3n]分別表示各節(jié)點相互連接的網(wǎng)絡(luò)權(quán)重;[y2（t），y3（t），？，yn（t）]分別表示各節(jié)點輸入的帶時間序號的輸入序列，[y1]表示預(yù)測值，LA到LD分別表示網(wǎng)絡(luò)的4層。相關(guān)公式如下：

[ω11=a，ω21=-y1（0），ω2m=2bm-1a，m=2，3，？，n] （5）

[ω3m=1+e-at，m=1，2，？，n] （6）

[a=ω11t] （7）

[b=f（a）=11+e-ω11t] （8）

[c1=bω21，cm=ym（t）bω2m，m=2，3，？，n] （9）

[d=j=1nω3jcj-θy1] （10）

[δ=d-y1（t）]? （11）

[δm=δ（1+e-ω11t），m=1，2，？，n] （12）

[δn+1=11+e-ω11t（1-11+e-ω11t）j=1nω2jδj] （13）

[ω21=-y1（0），ω2m=ω2m-2bm-1aδmb，m=2，3，？，n] （14）

[ω11=ω11+atδn+1] （15）

[θ=（1+e-ω11t）（12j=2nω2jyj（t）-y1（0））] （16）

[θ=（d-y1（0）））（1-e-at）] （17）

在式（5）-（17）中，[a、b、cm、d]分別表示LA層到LD層的輸出，[δ]、[δ1、δm、δn+1]分別表示LD層到LB層的誤差，使用[θ]表示閾值;式（7）-（10）用于計算LA層到LD層各節(jié)點的輸出;式（11）-（13）用于計算LA層到LD層的實際輸出與期望值的誤差;式（14）、（15）用于計算調(diào)整后的權(quán)值;式（16）用于計算調(diào)整閾值;式（17）用于計算LD層輸出節(jié)點的閾值。

（2）FOA相關(guān)參數(shù)設(shè)置如下：

[X_axis=rands（1，9）Y_axis=rands（1，9）]? ? ? ? ? （18）

[Xi=X_axis+10×rand（）-10Yi=Y_axis+10×rand（）-10]? ? ? ? （19）

[Dist（i）=Xi2+Yi2]? ? ? ? ? ? （20）

[S（i）=1Dist（i）]? ? ? ? ? ? ? ? ? （21）

其中，式（18）表示果蠅群體的初始位置，[X_axis、][Y_axis]分別表示橫縱坐標(biāo)值，[rands（1，9）]表示隨機(jī)取9個區(qū)間[0，1]的數(shù)值;式（19）表示果蠅個體飛行后位置，[Xi、Yi]分別表示果蠅個體[i]的橫縱坐標(biāo)值，[rand（）]表示隨機(jī)取一個區(qū)間[0，1]的數(shù)值;[Dist（i）]表示果蠅個體[i]與原點的距離;[S（i）]表示氣味濃度判定值。

在FOA-GNN程序設(shè)計中，使用[D（i，1），D（i，2），D（i，3），？，][D（i，n）]表示[Dist（i）]，[S（i，1），S（i，2），S（i，3），？，S（i，n）]表示[S（i）]，GNN中的參數(shù)[a，b1，b2，b3，？，bn-1]則由[S（i，1），S（i，2），][S（i，3），？，S（i，n）]表示。

（3）通過初步計算得出第一次迭代預(yù)測結(jié)果，并且可以求出氣味濃度值Smelli（適應(yīng)度函數(shù)）。氣味濃度Smelli（適應(yīng)度函數(shù)）由網(wǎng)絡(luò)輸出與期望值的誤差平方和表示。保留氣味濃度最佳值，即網(wǎng)絡(luò)輸出與期望值誤差平方和最小值。

（4）通過果蠅迭代尋優(yōu)不斷更新氣味濃度最佳值。不斷重復(fù)第二、三步以實現(xiàn)迭代過程，直至達(dá)到設(shè)定的最大迭代次數(shù)，此時獲得最佳參數(shù)與最優(yōu)預(yù)測結(jié)果。

3 算例分析

3.1 數(shù)據(jù)選取

通過文獻(xiàn)搜集及統(tǒng)計分析，選取新能源汽車產(chǎn)量、燃油汽車銷量/產(chǎn)量、居民消費價格指數(shù)、消費者信心指數(shù)、人均國民收入、公共充電樁數(shù)量、汽油價格等作為影響新能源汽車銷量的主要因素。

新能源汽車產(chǎn)量、燃油汽車銷量/產(chǎn)量能反映新能源汽車銷售趨勢;居民消費價格指數(shù)、消費者信心指數(shù)、人均國民收入能夠體現(xiàn)消費者消費水平和消費意愿強度，這些對于汽車這類大件銷售是非常重要的影響因素;公共充電樁數(shù)量、汽油價格能夠影響消費者在購買汽車時選擇新能源汽車還是燃油汽車的意愿。

本文選擇60個月份的相關(guān)數(shù)據(jù)，數(shù)據(jù)時間區(qū)間為2014年1月到2018年12月。其中80%是2014年至2017年共48個月作為預(yù)測模型的訓(xùn)練集，20%是2018年的12個月作為檢驗預(yù)測效果的測試集。新能源汽車/燃油汽車產(chǎn)量及銷量數(shù)據(jù)通過中國汽車工業(yè)協(xié)會網(wǎng)站發(fā)布的數(shù)據(jù)與第一電動網(wǎng)及汽車工業(yè)協(xié)會統(tǒng)計信息網(wǎng)統(tǒng)計數(shù)據(jù)等處理得到。居民消費價格指數(shù)、消費者信心指數(shù)、汽油價格數(shù)據(jù)等來源于東方財富網(wǎng)數(shù)據(jù)庫。人均國民收入數(shù)據(jù)來源于《中國統(tǒng)計年鑒》及國家統(tǒng)計局網(wǎng)站。公共充電樁數(shù)量數(shù)據(jù)通過查閱《中國電動汽車充電基礎(chǔ)設(shè)施促進(jìn)聯(lián)盟年報》得出。

3.2 數(shù)據(jù)處理及模型建立

確定本文預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為1-1-9-1，確定訓(xùn)練參數(shù)為[a，b，？，b8]。對新能源汽車產(chǎn)量、燃油汽車銷量/產(chǎn)量、居民消費價格指數(shù)、消費者信心指數(shù)、人均國民收入、公共充電樁數(shù)量及汽油價格等8個影響因素的原始數(shù)據(jù)進(jìn)行歸一化處理，再進(jìn)行累加后作為FOA-GNN模型的輸入數(shù)據(jù)，將新能源汽車銷量預(yù)測作為輸出數(shù)據(jù)。算例中，果蠅種群規(guī)模設(shè)為20，迭代次數(shù)設(shè)為100，網(wǎng)絡(luò)學(xué)習(xí)次數(shù)為10，學(xué)習(xí)速率設(shè)為0.001 5。在Matlab2016b中實現(xiàn)基于FOA-GNN模型的新能源汽車月度銷售量預(yù)測，由于FOA的初始位置具有隨機(jī)性，所以每次尋優(yōu)得到的最佳參數(shù)往往不同，從而造成每次預(yù)測結(jié)果不同，所以本文算例預(yù)采用連續(xù)運行預(yù)測模型程序后得到50次預(yù)測結(jié)果的平均值作為該模型最終預(yù)測值。

3.3 模型預(yù)測分析

利用式（4）計算選取的8個影響因素數(shù)據(jù)序列與新能源汽車銷量數(shù)據(jù)序列的灰色關(guān)聯(lián)度，具體計算結(jié)果見表1。

由表可知，選取的8個影響因素中灰色關(guān)聯(lián)度最小值也在77%以上，說明這8個影響因素均對新能源汽車銷量有較大影響能力。因此可以把這8個影響因素作為灰色神經(jīng)網(wǎng)絡(luò)的輸入變量。

表1 各影響因素灰色關(guān)聯(lián)度

[影響因素＼&灰色關(guān)聯(lián)度＼&影響因素＼&灰色關(guān)聯(lián)度＼&新能源汽車產(chǎn)量＼&0.968 49＼&消費者信心指數(shù)＼&0.773 67＼&燃油汽車銷量＼&0.772 87＼&人均國民收入＼&0.776 78＼&燃油汽車產(chǎn)量＼&0.774 09＼&公共充電樁數(shù)量＼&0.844 45＼&居民消費價格指數(shù)＼&0.813 14＼&汽油價格＼&0.769 61＼&]

本文使用平均絕對百分比誤差（MAPE）和平均絕對偏差（MAD）兩個誤差值直觀評價預(yù)測方法的預(yù)測效果。計算公式為：

[MAPE=t=1nyt-ytyt×100n]? （23）

[MAD=t=1nyt-ytn]? （24）

其中，第[t]月的實際銷售量使用[yt]表示，第[t]月的預(yù)測銷售量用[yt]表示，[n]表示預(yù)測的期數(shù)。

構(gòu)建GNN預(yù)測模型、灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)（BPNN）預(yù)測模型與該模型進(jìn)行對比。圖5呈現(xiàn)了4種預(yù)測模型預(yù)測值與實際值對比情況。不難發(fā)現(xiàn)，4種預(yù)測模型在前5個月的預(yù)測值都較為貼近實際值，表明4種預(yù)測模型在前5個月的預(yù)測效果相近。在5-8月階段，實際值出現(xiàn)較大反常波動，BPNN出現(xiàn)較大偏差，這反映出BPNN在數(shù)據(jù)量不夠大、訓(xùn)練不夠好的情況下，預(yù)測反常波動會出現(xiàn)較大誤差;在10-12月階段，GNN、灰色預(yù)測、BPNN出現(xiàn)較大偏差，反映這3種預(yù)測模型在長期預(yù)測中均存在不足，雖然FOA-GNN在預(yù)測12月分值時也出現(xiàn)較大偏差，但是還是要優(yōu)于其它3種預(yù)測模型。

圖5 4種預(yù)測值與實際值對比

通過4種模型預(yù)測值計算得到的各自MAPE和MAD值如表2所示，從表中可以發(fā)現(xiàn)4種預(yù)測模型中，灰色預(yù)測模型無論是MAPE還是MAD都是最大的，所以可知其預(yù)測效果是4種模型中最差的，GNN預(yù)測模型與BPNN預(yù)測模型的MAPE和MAD相近，GNN預(yù)測預(yù)測效果略優(yōu)于BPNN，F(xiàn)OA-GNN預(yù)測模型的MAPE和MAD都是最小的，所以可知其預(yù)測效果優(yōu)于其它3種預(yù)測模型，驗證了該優(yōu)化模型適合應(yīng)用于新能源汽車銷售量預(yù)測。

表2 誤差對比

使用FOA-GNN模型預(yù)測新能源汽車2019年12個月份的銷售量情況，預(yù)測結(jié)果如表3所示。

表3 2019年月度銷售量預(yù)測

2016年11月，由國務(wù)院發(fā)布的《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》明確指出，到2020年我國新能源汽車產(chǎn)銷規(guī)模需突破200萬輛大關(guān)[21]。由表3數(shù)據(jù)可知，2019年12個月的累計銷售量預(yù)測約為197.3萬量，逼近200萬量的銷量大關(guān)。2019年預(yù)測年銷售總量比2018銷售總量增長了58.1%，增量相對于2018年的62.4%少4個百分點，但仍然是非?？捎^的增長量。結(jié)合近年來我國新能源汽車發(fā)展形勢來看，在2020年突破200萬量的產(chǎn)銷規(guī)模勢在必行。

4 結(jié)語

現(xiàn)階段我國新能源汽車發(fā)展仍不夠成熟，消費者對新能源汽車的認(rèn)知度還處于較低水平，政府與企業(yè)在新能源汽車的研發(fā)與推廣處于高投入、低收益的狀態(tài)。因此準(zhǔn)確預(yù)測新能源汽車銷售情況，能夠有效加速新能源汽車產(chǎn)業(yè)發(fā)展，對降低研發(fā)與生產(chǎn)團(tuán)隊的運營成本具有重要引導(dǎo)作用，對相關(guān)企業(yè)制訂生產(chǎn)銷售計劃及擴(kuò)大市場規(guī)模具有重要意義。新能源汽車銷售情況的影響因素復(fù)雜多樣，本文從中提取了影響新能源汽車銷售量的8個關(guān)鍵因素，并對影響因素進(jìn)行灰色關(guān)聯(lián)分析驗證各因素的影響能力，構(gòu)建FOA-GNN預(yù)測模型，并驗證了該預(yù)測模型在新能源汽車銷售量預(yù)測中的相對準(zhǔn)確性。利用FOA-GNN預(yù)測模型對我國新能源汽車在2019年度銷售情況進(jìn)行預(yù)測，預(yù)測結(jié)果可為政府制定補貼政策、新能源汽車推廣和企業(yè)的研發(fā)、生產(chǎn)和銷售提供一定的參考依據(jù)。

參考文獻(xiàn)：

[1] CINZIA C，LIU Y，MICHAEL M. A time-dependent stated preference approach to measuring vehicle type preferences and market elasticity of conventional and green vehicles[J]. Transportation Research Part A-Policy and Practice，2017，100：294-310.

[2] GUAN X，ZHANG G X，LIU D. The behavior of consumer buying new energy vehicles based on stochastic evolutionary game[J]. Filomat，2016，30（15）：3987-3997.

[3] WANG Z H，WANG C，HAO Y. Influencing factors of private purchasing intentions of new energy vehicles in China[J]. Journal of Renewable and Sustainable Energy，2013，5（6），063133，1-14.

[4] MEERAN S，JAHANBIN S. When do changes in consumer preferences make forecasts form choice-based conjoint models unreliable[J]. European Journal Of Operational Research，2017，258（2）：512-524.

[5] APADULA F，BASSINI A， ELLI A，et al. Relationships between meteorological variables and monthly electricity demand[J]. Applied Energy，2012，98（5）：34-356.

[6] 張新順，王紅軍，馬鋒，等. 基于多元回歸分析的致密油可采資源評價方法[J]. 石油與天然氣地質(zhì)，2018，39（6）：1323-1335.

[7] TRATAR L F，STRMCNIK E. The comparison of Holt-Winters method and multiple regression method：a case study[J]. Energy，2016，109：266-276.

[8] 李輝杰，劉悅春. 基于Holt-Winters模型的電網(wǎng)企業(yè)售電量預(yù)測方法[J]. 中國電力企業(yè)管理，2018（24）：86-87.

[9] RELICH M. New frontiers in information and production systems modelling and analysis[M]. Berlin： Springer，2016.

[10] 董麗麗，費城，張翔，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的煤礦突水預(yù)測[J]. 煤田地質(zhì)與勘探，2019（2）：137-143.

[11] 劉璐，丁福利，孫立民. 基于SVM的煙草銷售量預(yù)測[J]. 軟件導(dǎo)刊，2016，15（11）：134-137.

[12] 李慧，張南南，曹卓，等. 基于機(jī)器學(xué)習(xí)的恐怖分子預(yù)測方法研究[J/OL]. 計算機(jī)工程：1-7[2019-04-30]. https：//doi.org/10.19678/j.issn.1000-3428.0053521.

[13] 蘇振宇，龍勇，汪於. 基于季節(jié)調(diào)整和Holt-Winters的月度負(fù)荷預(yù)測方法[J]. 中國管理科學(xué)，2019，27（3）：30-40.

[14] 陳渝，任正軍. 融合EMD與LSTM神經(jīng)網(wǎng)絡(luò)的門診量預(yù)測模型研究[J]. 軟件導(dǎo)刊，2019，18（3）：133-138.

[15] 宮毓斌，滕歡. 基于GOA-SVM的短期負(fù)荷預(yù)測[J/OL]. 電測與儀表：1-6[2019-04-30]. http：//kns.cnki.net/kcms/detail/23.1202.TH.20190425.1646.008.html.

[16] 李俊峰. 灰色系統(tǒng)建模理論與應(yīng)用研究[D]. 杭州：浙江理工大學(xué)，2005.

[17] 李芬，李春陽，糜強，等. 基于GRA-BPNN時變權(quán)重的光伏短期出力組合預(yù)測[J]. 可再生能源，2018，36（11）：1605-1611.

[18] 張崇嬌，沈小林，霍雙紅，等. 基于果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的冰箱訂單需求預(yù)測研究[J]. 數(shù)學(xué)的實踐與認(rèn)識，2017，47（20）：15-19.

[19] 章杰寬，朱普選. 動態(tài)粒子群算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的旅游需求預(yù)測模型研究[J]. 管理評論，2013，25（3）：60-66.

[20] 黃鴻云，劉衛(wèi)校，丁佐華. 基于多維灰色模型及神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測[J]. 軟件學(xué)報，2019（4）：1031-1044.

[21] 中華人民共和國中央人民政府網(wǎng). 國務(wù)院關(guān)于印發(fā)“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃的通知[EB/OL]. http：//www.gov.cn/zhengce/content/2016-12/19/content_5150090.htm，2016-12-19.

（責(zé)任編輯：江 艷）