藍鎵寶

摘 要：新能源汽車的普及，有利于減少大氣污染，提高空氣質(zhì)量。但與新能源汽車相配套的公共充電基礎(chǔ)設(shè)施、維修服務(wù)等問題卻阻礙了新能源汽車銷量的增長。因此，預(yù)測我國新能源汽車銷量以完善相關(guān)配套措施、促進新能源汽車產(chǎn)業(yè)的發(fā)展就顯得尤為重要。針對新能源汽車產(chǎn)業(yè)屬于新興產(chǎn)業(yè)，其相關(guān)歷史數(shù)據(jù)較少，且銷量變動較大以及影響其銷量的因素存在非線性關(guān)系的特點，本文利用魯棒性強的支持向量回歸，以及具有較強的抗噪聲能力的Bagging集成學(xué)習(xí)方法，對我國新能源汽車的銷量進行預(yù)測和分析。首先，選取影響消費者購買意愿的公共充電樁數(shù)量和決定消費者購買能力的居民可支配收入作為模型的自變量，并收集相關(guān)數(shù)據(jù);其次，從原始樣本中隨機抽取樣本量為20的5個相互獨立的樣本集，并使用6個訓(xùn)練數(shù)據(jù)對這5個樣本集進行訓(xùn)練，得到5個支持向量回歸模型;然后，平均5個模型的結(jié)果，減少模型噪聲，優(yōu)化最終預(yù)測效果;最后，分析所得的預(yù)測新能源汽車銷量模型的準(zhǔn)確性及不足之處。

關(guān)鍵詞：支持向量回歸 集成學(xué)習(xí) 新能源汽車 居民可支配收入 公共充電樁數(shù)量

1 引言

隨著環(huán)境污染和能源短缺的日益嚴(yán)峻，新能源汽車以其環(huán)保、節(jié)能的特點受到了各國政府的大力支持。2016-2019年，我國新能源汽車的年平均銷量增速達55%以上，反映了我國新能源汽車行業(yè)發(fā)展迅猛。但隨著該產(chǎn)業(yè)的發(fā)展，與新能源汽車配套的基礎(chǔ)設(shè)施卻“趕不上趟”，即相關(guān)配套基礎(chǔ)設(shè)施不能滿足市場上已銷新能源汽車的需求。因此，預(yù)測新能源汽車的銷量，合理建設(shè)配套設(shè)施就顯得尤其重要。故本文選用具有較優(yōu)并行能力處理原始數(shù)據(jù)的支持向量回歸集成學(xué)習(xí)這一方法，預(yù)測新能源汽車的銷量。

2 文獻回顧

影響新能源汽車銷量的因素較多，包括許多定量指標(biāo)和定性指標(biāo)。馬琪、秦宇濤和楊立華認(rèn)為，消費者的觀念與行政激勵會影響新能源汽車的銷量[1];李創(chuàng)、葉露露和王麗萍運用 SOR 理論分析得出，收入影響消費者對新能源汽車的購買意愿[2];Feng Xiao、Huang Bo和Li Yuyu則從制造商角度進行研究，認(rèn)為加大制造商的研發(fā)投入可提高新能源汽車的銷量[3];Shanshan LI和Wensong ZHANG通過灰色關(guān)聯(lián)模型研究得出，公共充電樁建設(shè)規(guī)模與新能源汽車銷量關(guān)聯(lián)度較高[4]。

綜上研究成果，現(xiàn)有的預(yù)測新能源汽車銷量模型并沒有考慮到新能源汽車屬于新興產(chǎn)業(yè)，該行業(yè)存在銷量波動較大的特點。因此，本文結(jié)合選用具有較強泛化能力的支持向量回歸模型，以及抗噪能力強、對異常數(shù)據(jù)不敏感的Bagging集成學(xué)習(xí)方法，以提高預(yù)測的準(zhǔn)確度。

3 支持向量回歸集成學(xué)習(xí)

支持向量回歸（Support Vector Regression，SVR）是一種寬容的回歸模型，該模型原理為：利用支持向量的思想，設(shè)置一個偏差范圍，當(dāng)樣本與真實值的差距超過這一偏差范圍時，模型才會記錄這一損失，再對數(shù)據(jù)進行回歸分析。

張康寧和廖光忠認(rèn)為，Bagging是一種集成個體之間相互獨立，可以并行運算的一種集成算法。Bagging的主要原理為：從數(shù)據(jù)集D中進行有放回地隨機抽樣，得到m個樣本數(shù)據(jù)集，然后基于每個樣本數(shù)據(jù)集，訓(xùn)練一個基學(xué)習(xí)器，得到m個基分類器，平均m個模型的輸出結(jié)果，得到最終結(jié)果[5]。

4 指標(biāo)構(gòu)建

4.1 居民可支配收入

在凱恩斯所提出的絕對收入假說中提到，收入與消費是相關(guān)的，即消費取決于收入。因此，居民可支配收入是影響新能源汽車的關(guān)鍵因素。隨著我國經(jīng)濟的發(fā)展，居民收入水平的提高，人們會考慮選擇購買節(jié)能低碳的新能源汽車。故新能源汽車的銷量很大程度上取決于居民收入的多寡。

4.2 公共充電樁設(shè)施數(shù)量

新能源汽車主要為純電動汽車以及油電混合動力汽車，故絕大部分新能源汽車都需要使用公共充電設(shè)施。公共充電樁作為新能源汽車的必備配套設(shè)施，需保證充電樁的數(shù)量與新能源汽車的銷量相匹配。

5 實驗

5.1 數(shù)據(jù)收集

居民可支配收入、公共充電樁數(shù)量以及新能源汽車銷量的相關(guān)數(shù)據(jù)都來自于國家統(tǒng)計局[6]。

5.2 整合數(shù)據(jù)

把居民可支配收入、公共充電樁數(shù)量以及我國新能源汽車銷售量的數(shù)據(jù)按照時間順序?qū)?yīng)排列。

5.3 構(gòu)建支持向量回歸集成學(xué)習(xí)模型

構(gòu)建支持向量回歸集成學(xué)習(xí)模型步驟如下所示：

首先，采用Hold-Out方法把樣本數(shù)據(jù)分為兩類：30個數(shù)據(jù)樣本作為模型的訓(xùn)練集，6個數(shù)據(jù)樣本作為模型的測試集。

其次，從訓(xùn)練集中隨機抽取5個樣本量為20的獨立數(shù)據(jù)樣本。然后，利用測試集依次對5個獨立的數(shù)據(jù)樣本進行支持向量回歸分析，得到5個SVR模型。SVR模型的構(gòu)建如以下步驟所示：

（1）假設(shè)預(yù)測值f（x）與真實值y之間允許存在一個可接受的誤差，即當(dāng)f（x）與y的絕對值差距大于誤差時，才會被記為模型的損失。

（2）設(shè)為SVR模型函數(shù);

（3）通過求解SVR的對偶問題、核函數(shù)，可得SVR函數(shù)：

式①中，;;為支持向量;為核函數(shù)。

最后，對這5個SVR模型結(jié)果進行平均，得到2018年Q3-2019年Q4的新能源汽車銷量預(yù)測結(jié)果。

構(gòu)建支持向量回歸集成學(xué)習(xí)模型的流程如圖1所示：

6 討論

6.1 檢驗SVR模型的準(zhǔn)確性

由表1可知，支持向量回歸模型所預(yù)測的2018年Q3至2019年Q4的新能源汽車銷量，在總體趨勢上是準(zhǔn)確的。該模型在某個季度的預(yù)測值出現(xiàn)了一定程度的偏差，主要有以下幾個原因造成：

1、從2018年Q3至2019年Q3，模型的預(yù)測銷量都比實際銷量要低，主要是由于公共充電設(shè)施的不完善，使得消費者對新能源汽車的消費持觀望的態(tài)度。但又由于相關(guān)政策的補貼，最終還是較快速地推動新能源汽車銷量的增長;

2、2018年Q4的新能源汽車銷量預(yù)測值遠低于實際銷量，主要是由于技術(shù)瓶頸，增加了我國新能源汽車制造成本，降低消費者消費意愿。2018年12月，比亞迪公司突破了相關(guān)技術(shù)瓶頸，降低新能源汽車的成本，使得2018年Q4的銷量比2018年Q3增加了將近30%。

6.2 討論支持向量回歸集成學(xué)習(xí)的應(yīng)用范圍

支持向量回歸模型具有較強的泛化能力處理相關(guān)數(shù)據(jù)少、自變量存在非線性關(guān)系的經(jīng)濟問題。Bagging集成學(xué)習(xí)能夠處理異常數(shù)據(jù)，提高預(yù)測的準(zhǔn)確率。故針對模型的特性，支持向量回歸集成學(xué)習(xí)還能用于預(yù)測智能家居機器人這一新型產(chǎn)業(yè)產(chǎn)品的銷量，以延長我國人工智能產(chǎn)業(yè)鏈，促進人工智能新型產(chǎn)業(yè)的發(fā)展。

7 結(jié)論

新能源汽車產(chǎn)業(yè)的發(fā)展關(guān)乎我國能源安全，本文針對已有的預(yù)測我國新能源汽車銷量模型未考慮這一新興行業(yè)歷史數(shù)據(jù)較少、銷量受各方面因素影響大的缺陷，選用支持向量回歸集成學(xué)習(xí)，以預(yù)測新能源汽車的銷量。并結(jié)合相關(guān)信息，證明了支持向量回歸集成學(xué)習(xí)對新能源汽車銷量的預(yù)測是準(zhǔn)確的、有效的，說明了居民可支配收入以及公共充電樁的數(shù)量會影響新能源汽車的銷量。

支持向量回歸集成學(xué)習(xí)能夠準(zhǔn)確地預(yù)測許多新興行業(yè)產(chǎn)品的產(chǎn)銷量，推動了我國新興產(chǎn)業(yè)的發(fā)展，有利于提振我國實體經(jīng)濟。但SVR集成學(xué)習(xí)也存在缺陷，SVR具有較強的泛化能力預(yù)測樣本數(shù)據(jù)少、自變量之間為非線性關(guān)系的經(jīng)濟問題，但是Bagging集成學(xué)習(xí)會在個別偏差較大的數(shù)據(jù)的處理上存在過擬合的問題，對未知樣本的預(yù)測能力一般。因此，在使用支持向量回歸集成學(xué)習(xí)進行預(yù)測時，如何處理好兩個工具處理數(shù)據(jù)的問題，還值得進一步研究與實驗。

參考文獻：

[1]馬琪，秦宇濤，楊立華.新能源汽車購買意愿影響因素及其政策激勵路徑研究[J].復(fù)旦公共行政評論，2019（02）：36-63.

[2]李創(chuàng)，葉露露，王麗萍.新能源汽車消費促進政策對潛在消費者購買意愿的影響[J/OL].中國管理科學(xué)，2020.

[3]Feng Xiao，Huang Bo，Li Yuyu.R&D investment in new energy vehicles with purchase subsidy based on technology adoption life cycle and customerschoice behaviour.IET Intelligent Transport Systems[J].2020，14（11）：1371-1377.

[4]Shanshan LI，Wensong ZHANG. Forecast of China's New Energy Vehicle Sales Based on Multi-factor Grey Prediction Model[A].Conference Proceedings of the 7th International Symposiumon Project Management （ISPM2019）[C].重慶交通大學(xué)（Chongqing Jiaotong University）、湖北省眾科地質(zhì)與環(huán)境技術(shù)服務(wù)中心（Hubei Zhongke Institute of Geology and Environment Technology）.2019.

[5]張康寧，廖光忠.基于改善Bagging-SVM集成多樣性的網(wǎng)絡(luò)入侵檢測方法[J].東北師大學(xué)報（自然科學(xué)版），2020，52（04）：53-59.

[6]中華人民共和國國家統(tǒng)計局.中國統(tǒng)計年鑒[M].北京：中國統(tǒng)計出版社，2020.