CN107705160A - 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*** - Google Patents

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*** Download PDF

Info

Publication number
CN107705160A
CN107705160A CN201711004563.8A CN201711004563A CN107705160A CN 107705160 A CN107705160 A CN 107705160A CN 201711004563 A CN201711004563 A CN 201711004563A CN 107705160 A CN107705160 A CN 107705160A
Authority
CN
China
Prior art keywords
mrow
msub
variable
formula
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711004563.8A
Other languages
English (en)
Inventor
高俊杰
谢亚南
岳明
崔晓敏
顾丰
姚宝珍
肖伟
王璟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Publication of CN107705160A publication Critical patent/CN107705160A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供了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***，通过建立数据库来储存汽车销量预测所需数据，包括经济指标、品牌车销量以及汽车销量，称为预测变量；通过数据获取模块连接数据库与汽车销量预测***来获取所需预测变量，再进行变量之间的结构关系检验，得到存在长期均衡和因果关系的内生变量；进而对内生变量建立向量误差修正模型；然后利用启发式智能算法优化该预测模型系数；最终将得到的预测模型存入销量预测应用***，在输入相应的经济变量、品牌车以及往年汽车销量数据后即可生成销量预测结果。本发明寻找到一种比较适合长期预测的模型，同时利用启发式智能优化精度高等特点，有效提高了汽车销量预测精度。

Description

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 ***
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***。
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***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***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***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***，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***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***，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(AugmentedDickey-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；
所述的格兰杰因果关系检验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因果关系检验；本次检验还可以再次检验变量的内外生性。在时间序列情形下，两个预测变量X、Y之间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果要优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的未来变化，则认为变量X是引致变量Y的格兰杰原因；
所述的模型储存模块与协整检验模块连接，对通过协整检验的内生变量进行建模；并将分析出来的预测模型储存在模型储存模块，其中模型包含的内生变量之间存在长期协整关系；
所述的基于启发式智能优化模块与模型储存模块连接，用于优化模型储存模块里的预测模型系数，以此达到***的较好可行解。这里的启发式智能现主要包括粒子群优化算法和蚁群优化算法，当然还可以添加其他智能算法，例如遗传算法等；
所述的销量预测应用***模块与启发式智能优化模块连接，将启发式智能优化后的预测模型储存在本***。预测汽车销量时可以考虑各经济变量，品牌车销量以及过往时期的汽车销量的影响，之后选择相适应的销量预测模型，在判断不缺少相关数据的情况下即可得到较好的销量预测结果，提高预测精度。
一种结合计量经济学和启发式智能的汽车销量预测方法，步骤如下：
步骤一、根据预测要求，从数据库中选取所需年限的原始数据，在此统称为原始变量；首先，对原始变量进行单位根检验，将原始变量命名成时间序列的形式，采用赤池信息准则(AIC)和施瓦茨信息准则(SC)准则来确定最佳滞后阶数p值，即在增加p值的过程中，使AIC与SC尽量同时最小，再进行单位根检验；对于年度变量和季度变量，一般比较到p＝4，而对于月度变量，一般比较到p＝12；再对原始变量的一阶差分进行单位根检验，若原始变量的原序列不平稳且其一阶差分平稳，即说明原始变量的时间序列均为一阶单整，符合构建向量误差修正模型(VECM)的前提条件；
单位根检验，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；ADF检验方法通过在回归方程右边加入因变量yt的滞后差分项来控制高阶序列相关，各公式分别如下：
式中：α为常数项；β称作位移项(漂移项)，βt为时间趋势项；δi为自回归系数；Δyt-i是Δyt的滞后项；p为滞后阶数；εt为扰动项；γ用来检验序列平稳性，原假设H0：γ＝0，代表不平稳；备选假设H1：γ＜0，代表序列平稳；
步骤二、对原始变量进行最佳滞后阶数的选取，所有的原始变量以一阶差分的形式来建立向量自回归模型(VAR)；除了赤池信息准则(AIC)和施瓦茨信息准则(SC)，关于滞后长度标准，还需要增加连续改进的LR检验统计量(LR)、最终预测误差(FPE)和Hannan-Quinn信息准则(HQ)信息，确定原始变量的最佳滞后阶数p值；
步骤三、根据LR、FPE、AIC、SC、HQ五个检验统计量确定无约束VAR模型的最佳滞后阶数p值，而用所有原始变量建立的VECM模型的最佳滞后阶数为一阶差分后的滞后阶数，即为无约束VAR模型的最佳滞后阶数减1，也为协整检验时的最佳滞后阶数；
步骤四、VAR模型中进行卡方统计量检测，在5％的显著水平下，拒绝虚无假设，以此区分外生变量和内生变量；
进一步地，所述卡方统计量检测，为了检验原始变量中的内生变量和外生变量，若原始变量的时间序列均为一阶单整，则称为I(1)。首先，I(1)的n维随机向量yt被划分进n1维向量y1t和n2维向量y2t；yt＝(y′1t，y′2t)，n＝n1+n2。根据VECM模型，参数可以类似地被分解为方差协方差矩阵为∑＝[∑11∑12；∑21∑22]。给定y2t条件，y1t临界模型如下：
给定y1t条件，y2t临界模型如下：
式中ω＝∑12∑′22,∑'22为∑22的转置矩阵；β'为β的转置向量；i＝1,2,...,p-1,其中Φj为n×n的自回归系数矩阵；
步骤五：对所得到的内生变量进行协整检验，说明内生变量之间存在潜在的协整向量关系；
进一步地，所述协整检验，其中Johansen检验提出以下两个统计量，都可以用来检验向量协整关系的个数，这两个统计量分别定义为：
Trace统计量：
Maximal Eigenvalue统计量:
λmax＝-Tln(1-λr+1) (r＝0，1，....n-1) (7)
式中：T为样本大小；λ为特征根；
步骤六：为了进一步说明原始变量之间的因果关系并可以确定外生变量，采用F统计量和P值来说明。当P值小于0.05，则拒绝原假设，即存在格兰杰因果关系，否则接受原假设；
进一步地，所述格兰杰因果关系检验，格兰杰因果关系检验假设了有关y和x每个原始变量的预测的信息全部包含在原始变量的时间序列之中。检验要求估计以下回归：
式中：αi为原始变量自身的滞后项系数；βi为检验对方的滞后项系数；白噪音(扰动项)ε1t，ε2t假定为不相关；
式(8)假定当前y与自身y以及x的过去值有关，而式(9)对x也做了类似的假定。零假设为H0：β1＝β2＝…＝βp＝0。
分四种情况讨论：
a.若式(8)中滞后的x的系数估计值在统计上整体的显著不为零，而式(9)滞后的y的系数估计值在统计上整体的显著为零，则称x是引起y变化的原因；
b.若式(8)中滞后的x的系数估计值在统计上整体的显著为零，而式(9)滞后的y的系数估计值在统计上整体的显著不为零，则称y是引起x变化的原因；
c.若式(8)中滞后的x的系数估计值在统计上整体的显著不为零，而式(9)滞后的y的系数估计值在统计上整体的显著不为零，则称y和x存在双因果关系；
d.若式(8)中滞后的x的系数估计值在统计上整体的显著为零，而式(9)滞后的y的系数估计值在统计上整体的显著为零，则称y和x不存在双因果关系；
步骤七、建立VECM模型，并将模型结果储存在模型储存模块；
进一步地，所述VECM模型，其模型表达式为：
式中：П＝αβ′，ecmt-1＝β′yt-1是误差修正向量，反映变量之间的长期均衡关系，系数反映了变量之间偏离长期均衡状态时，将其调整速度，α和β是n×r的矩阵；Δ是差分算子，就像Δy＝yt-yt-1；是n×n的自回归系数矩阵；
步骤八、采用粒子群和蚁群结合优化VECM模型，初始化粒子群和蚁群的速度和位置，最初，粒子和蚂蚁随机分布于空间搜索或可能在混合算法中被设置为相同值；当二者开始出现个体行为时，在每次迭代中粒子群和蚁群分别获得最好解决方案并进行比较：如果蚁群的最佳解决方案不及粒子群的最优解，则必受到粒子群优化算法的最佳解决方案的影响，其运动方向也必定更新。同理，当粒子群的最佳解决方案不及蚁群的最优解，则必受到蚁群优化算法的最佳解决方案的影响且其运动方向也必定更新。迭代过程中对每个位置上蚂蚁信息素浓度进行更新，检查是否满足迭代终止条件,若不满足,则继续迭代；否则，算法结束并输出最优结果；
进一步地，所述的启发式智能优化说明如下：
对于蚁群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个蚂蚁的位置；对于粒子群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个粒子的位置；
利用(11)-(13)对粒子群的速度和位置进行更新
式中：—在第k迭代中粒子i在d维的速度矢量；—在第k迭代中粒子i在d维的位置矢量；c1,c2—加速常数，也称学习因素；r1，r2—两个随机数,间隔均匀分布于[0,1]；w—惯性权重参数，用于控制之前关于先前速度的影响。
w值由公式(13)获取：
w＝t-i/t (13)
利用(14)-(16)对蚁群的速度和位置进行更新
式中：t是迭代数量，T是迭代总数，Xgbest是最优位置,是从[-α,α]中随机产生的向量，用来确定允许产生的变异。在次迭代末这变化的长度有由以下公式确定：
αt+1＝0.1×αt (15)
Eq.(14)中的正负号决定了方向的变化，通过使用以下方程来决定:
如果→符号为+，否则为-；
其中Pgbest为粒子群全局最优解，而Xgbest为蚁群全局最优解
比较二者的最优解决方案：
如果Pgbest≤Xgbest，则Xgbest＝Pgbest，利用公式(16)更新蚁群的位置和方向；
否则Pgbest＝Xgbest，利用公式(12)更新粒子群的位置和方向；
每个位置蚂蚁的信息素浓度计算公式为下式：
τt＝0.1×τt-1 (17)
τt＝τt-1+(0.01×f(Xgbest)) (18)
式中，Eq.(17)模拟了信息素的蒸发，Eq.(18)模拟了最优值周围信息素增加。
步骤九、最终将优化后的销量预测模型储存在销量预测应用***，输入将要预测所需的相应年度、季度或月度的经济变量数据、品牌车以及往年汽车销量数据，之后选择相适应的销量预测模型，在判断不缺少相关数据的情况下即可得出相应的预测结果，即销量值。本发明的销量预测应用***可以对汽车年度、季度以及月度销量进行预测。
本发明的有益效果：
1、通过计量经济学分析了汽车销量与其他预测变量之间的因果关系和长期均衡关系，并区分出内外生变量，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内生变量之间由短期波动向长期均衡调整的动态过程，从而明确地表征内生变量之间的动态演变规律；
2、与传统的解析性优化算法相比，启发式智能优化算法能满足问题的复杂性、约束性、非线性及建模困难等特点，不仅适合于大规模并行且可以在合理的时间限制内逼近优化问题的较好可行解；与自适应的粒子群算法和蚁群算法相比，混合优化算法具有优化精度高，收敛精度高，迭代次数少，成功率高等特点，体现出良好的鲁棒性和较快的收敛速度。
附图说明
图1为本发明所述的汽车预测组织结构图。
图2为本发明所述的数据库处理流程图。
图3为本发明所述的基于计量统计学的汽车销量预测模型流程图。
图4为本发明所述的基于启发式智能的汽车销量预测优化流程图。
图5为本发明所述的汽车销量预测应用***流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本文明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参照图1，本发明包括以下部分：数据库、数据获取模块、单位根检验、弱外生性检验、协整检验、格兰杰因果关系检验、模型储存模块、基于启发式智能的优化模块、销量预测应用***模块。
其中数据库包括但不限于：汽车销量、品牌车销量、经济变量数据。
基于启发式智能的优化模块包括但不限于：粒子群优化算法、蚁群优化算法。
本发明均可以对汽车年度、季度以及月度销量进行预测。
参照图2，数据库模块具体处理过程如下：
步骤S200：获取汽车销量预测相关的原始数据。
步骤S201：对获得的原始数据进行分类处理，将汽车销量、品牌车销量与经济变量数据进行分离。
步骤S202：统一将数据按年度、季度以及月度形式储存。
步骤S203：将经过处理后的数据保存到数据库中。
参照图3，当时间序列进行计量统计学分析时，进入步骤S300，开始。
步骤S300：获取汽车销量和各经济变量的时间序列。
步骤S301：对获得的原始时间序列取对数，以log或ln形式均可。
步骤S302：将取对数后的时间序列进行单位根检验，一般采用ADF检验，ADF检验的3个常用检验式为：
步骤S303：对原始时间序列判断是否平稳：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。ADF提供了三个临界值：1％临界值、5％临界值和10％临界值。若单位根检验的ADF统计量均小于三个临界值，则拒绝原假设，即不存在单位根，是平稳的。否则存在单位根，是不平稳的。
步骤S304：如果原始时间序列平稳，则进行格兰杰因果关系检验，当Prob值小于0.05，则拒绝原假设，即存在格兰杰因果关系，否则接受原假设。若不平稳则对其一阶差分。
步骤S305：对其一阶差分的序列判断是否平稳，判断条件如步骤S303，如果一阶差分平稳，则为同阶单整。否则说明时间序列选取不当，需要重新选择，一般可以扩大相应时间序列年限。
步骤S306：若同阶单整则进行弱外生性检验，需要在所有的变量以一阶差分的形式建立VAR模型之后进行检验，在5％的显著水平下拒绝虚无假设，即说明变量之间具有结构关系，若变量可以影响其他变量而自身不受影响则为外生变量，否则为内生变量。
步骤S307：对弱外生性检验选择出的内生变量进行协整检验，一般采用Johansen检验方法进行协整检验。Johansen方法实际上是一个循环过程，从检验第一个总体假设r＝rank(Π)＝0开始，再检验r＝rank(Π)＝1的情形，一直到一个平稳的***对应的r＝rank(Π)＝n，矩阵的特征根是λi(0，1，…n)，Johansen提出以下两个统计量，都可以用来检验向量协整关系的个数，这两个统计量分别为：
Trace统计量：
Maximal Eigenvalue统计量:
λmax＝-Tln(1-λr+1) (r＝0，1，....n-1)
步骤S308：判断所有内生变量之间是否存在协整关系：若没有协整关系的原假设被拒绝，而有协整关系的原假设不能被拒绝，说明变量之间存在协整关系。
步骤S309：如果存在协整关系，则进行格兰杰因果关系检验，当Prob值小于0.05，则拒绝原假设，即存在格兰杰因果关系，否则接受原假设。若不存在协整关系则对内生变量进行一阶差分。
步骤S310：对所有存在协整关系的内生变量建立VECM模型，对不存在协整关系的内生变量建立VAR模型。
参照图4，基于启发式智能优化的具体过程如下，进入步骤S400，开始：
步骤S401：初始化粒子群和蚁群，首先粒子群和蚁群随机被分配于空间。对于蚁群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个蚂蚁的位置；对于粒子群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个粒子的位置。
步骤S402：利用各自的公式分别更新其速度和位置来寻找最优解：其中利用公式(11)-(13)对粒子群的速度和位置进行更新并利用公式(14)-(16)对蚁群的速度和位置进行更新。
步骤S403：每次迭代中比较两种算法的最优解，对于粒子群：通过使用目标函数(k＝1,2,...,m)确定Pgbest；对于蚁群：通过使用目标函数(k＝1,2,...,m)确定Xgbest，其中，Pgbest为粒子群全局最优解，Xgbest为蚁群全局最优解。
步骤S404：判断Pgbest≤Xgbest，还是Pgbest≥Xgbest。
步骤S405：继而Xgbest＝Pgbest，否则Pgbest＝Xgbest。
步骤S406：最后利用公式(16)更新蚁群的位置和方向，或者利用公式(12)更新粒子群的位置和方向。
步骤S407：判断是否满足所设定的迭代次数。
步骤S408：如果满足，则结束迭代，否则返回步骤S402，继续迭代，直至完成所设定的迭代次数。
参照图5，销量预测应用***具体过程如下：
步骤S500：获取所需的各经济变量、品牌车和往年汽车销量数据。
其中，汽车销量数据包括但不限于：汽车上年/季/月销量。
各经济变量数据包括但不限于：居民消费价格指数、汽油价格和消费者信心指数。
各品牌车数据包括但不限于：宝马、大众和奇瑞。
步骤S501：将所获得的数据输入相应的销量预测模型。
步骤S502：判断是否缺少相关数据。
步骤S503：如果没有，则可得出销量预测结果；否则继续获得缺少数据。

Claims (2)

1.一种结合计量经济学和启发式智能的汽车销量预测***，其特征在于，所述的汽车销量预测***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***模块；
所述的数据库包括汽车销量、经济变量和品牌车销量三方面数据，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，品牌车销量为各品牌段销量较高的汽车；以上三方面数据均影响当前待预测的销量，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***，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；
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；
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，检验内生变量间的线性整合是否平稳，若平稳则说明该时间序列是协整的；
所述的格兰杰因果关系检验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因果关系检验；因果关系检验后再次检验原始预测变量的内外生性；在时间序列情形下，两个预测变量X、Y间的格兰杰因果关系定义为：若在包含了变量X、Y的过去信息的条件下，对变量Y的预测效果优于只单独由Y的过去信息对Y进行的预测效果，即变量X有助于解释变量Y的未来变化，则认为变量X是引致变量Y的格兰杰原因；
所述的模型储存模块与协整检验模块连接，对通过协整检验的内生变量进行建模；并将分析出来的预测模型储存在模型储存模块，其中模型包含的内生变量之间存在长期协整关系；
所述的基于启发式智能优化模块与模型储存模块连接，用于优化模型储存模块里的预测模型系数；
所述的销量预测应用***模块与启发式智能优化模块连接，将启发式智能优化后的预测模型储存在销量预测应用***模块中。
2.一种结合计量经济学和启发式智能的汽车销量预测方法，其特征在于，步骤如下：
步骤一、根据预测要求，从数据库中选取所需年限的原始数据，统称为原始变量，分为年度变量、季度变量和月度变量；首先，对原始变量进行单位根检验，将原始变量命名成时间序列的形式，采用赤池信息准则AIC和施瓦茨信息准则SC确定最佳滞后阶数p值，即在增加p值的过程中，使AIC与SC同时最小，再进行单位根检验；对于年度变量和季度变量，比较到p＝4，对于月度变量，比较到p＝12；再对原始变量的一阶差分进行单位根检验，若原始变量的原序列不平稳且其一阶差分平稳，即说明原始变量的时间序列均为一阶单整，符合构建向量误差修正模型VECM的前提条件；
单位根检验，在ADF检验方法中提供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；ADF检验方法通过在回归方程右边加入因变量yt的滞后差分项来控制高阶序列相关，各公式分别如下：
<mrow> <msub> <mi>&amp;Delta;y</mi> <mi>t</mi> </msub> <mo>=</mo> <msub> <mi>&amp;gamma;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mi>t</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;Delta;y</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>&amp;alpha;</mi> <mo>+</mo> <msub> <mi>&amp;gamma;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mi>t</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;Delta;y</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>&amp;alpha;</mi> <mo>+</mo> <mi>&amp;beta;</mi> <mi>t</mi> <mo>+</mo> <msub> <mi>&amp;gamma;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mi>t</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式中：α为常数项；β称作位移项，βt为时间趋势项；δi为自回归系数；Δyt-i是Δyt的滞后项；p为滞后阶数；εt为扰动项；γ用来检验序列平稳性，原假设H0：γ＝0，代表不平稳；备选假设H1：γ＜0，代表序列平稳；
步骤二、对原始变量进行最佳滞后阶数的选取，所有的原始变量以一阶差分的形式建立向量自回归模型VAR；除了赤池信息准则AIC和施瓦茨信息准则SC，关于滞后长度标准，需要增加连续改进的LR检验统计量LR、最终预测误差FPE和Hannan-Quinn信息准则HQ信息，确定原始变量的最佳滞后阶数p值；
步骤三、根据LR、FPE、AIC、SC和HQ五个检验统计量，确定无约束VAR模型的最佳滞后阶数p值，用所有原始变量建立的VECM模型的最佳滞后阶数为一阶差分后的滞后阶数，即为无约束VAR模型的最佳滞后阶数减1，也为协整检验时的最佳滞后阶数；
步骤四、VAR模型中进行卡方统计量检测，在5％的显著水平下，拒绝虚无假设，以此区分外生变量和内生变量；
进一步地，所述卡方统计量检测，为了检验原始变量中的内生变量和外生变量，若原始变量的时间序列均为一阶单整，则称为I(1)；首先，I(1)的n维随机向量yt被划分为n1维向量y1t和n2维向量y2t；yt＝(y′1t，y′2t)，n＝n1+n2；根据VECM模型，同样，参数被分解为δ＝(δ′1，δ′2)，α＝(α′1，α′2)，方差协方差矩阵为∑＝[∑11∑12；∑21∑22]；给定y2t条件，y1t临界模型如下：
<mrow> <msub> <mi>&amp;Delta;y</mi> <mrow> <mn>1</mn> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;omega;&amp;Delta;y</mi> <mrow> <mn>2</mn> <mi>t</mi> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>&amp;omega;&amp;alpha;</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msup> <mi>&amp;beta;</mi> <mo>&amp;prime;</mo> </msup> <msub> <mi>y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Phi;</mi> <mrow> <mn>1</mn> <mi>i</mi> </mrow> <mo>*</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;omega;&amp;Phi;</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;delta;</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>&amp;omega;&amp;delta;</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;epsiv;</mi> <mrow> <mn>1</mn> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;omega;&amp;epsiv;</mi> <mrow> <mn>2</mn> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
给定y1t条件，y2t临界模型如下：
<mrow> <msub> <mi>&amp;Delta;y</mi> <mrow> <mn>2</mn> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>&amp;alpha;</mi> <mn>2</mn> </msub> <msup> <mi>&amp;beta;</mi> <mo>&amp;prime;</mo> </msup> <msub> <mi>y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>&amp;Phi;</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> <mo>*</mo> </msubsup> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;delta;</mi> <mn>2</mn> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mrow> <mn>2</mn> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式中ω＝∑12∑′22,∑'22为∑22的转置矩阵；β'为β的转置向量；i＝1,2,...,p-1,其中Φj为n×n的自回归系数矩阵；
步骤五：对所得到的内生变量进行协整检验，说明内生变量之间存在潜在的协整向量关系；
进一步地，所述协整检验，Johansen检验提出以下两个统计量，均用来检验向量协整关系的个数，这两个统计量分别定义为：
Trace统计量：
<mrow> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>t</mi> <mi>r</mi> <mi>a</mi> <mi>c</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <mi>T</mi> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mi>r</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <mi>ln</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>r</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
Maximal Eigenvalue统计量:
λmax＝-Tln(1-λr+1)(r＝0，1，....n-1) (7)
式中：T为样本大小；λ为特征根；
步骤六：为了进一步说明原始变量之间的因果关系并确定外生变量，采用F统计量和P值来说明；当P值小于0.05，则拒绝原假设，即存在格兰杰因果关系，否则接受原假设；
进一步地，所述格兰杰因果关系检验，格兰杰因果关系检验假设了有关y和x每个原始变量的预测的信息全部包含在原始变量的时间序列之中；检验要求估计以下回归：
<mrow> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mrow> <mn>1</mn> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mrow> <mn>2</mn> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
式中：αi为原始变量自身的滞后项系数；βi为检验对方的滞后项系数；白噪音ε1t、ε2t假定为不相关；
式(8)假定当前y与自身y以及x的过去值有关，而式(9)对x做相同的假定；零假设为H0：β1＝β2＝…＝βp＝0；
分四种情况讨论：
a.若式(8)中滞后的x的系数估计值在统计上整体的显著不为零，而式(9)滞后的y的系数估计值在统计上整体的显著为零，则称x是引起y变化的原因；
b.若式(8)中滞后的x的系数估计值在统计上整体的显著为零，而式(9)滞后的y的系数估计值在统计上整体的显著不为零，则称y是引起x变化的原因；
c.若式(8)中滞后的x的系数估计值在统计上整体的显著不为零，而式(9)滞后的y的系数估计值在统计上整体的显著不为零，则称y和x存在双因果关系；
d.若式(8)中滞后的x的系数估计值在统计上整体的显著为零，而式(9)滞后的y的系数估计值在统计上整体的显著为零，则称y和x不存在双因果关系；
步骤七、建立VECM模型，并将模型结果储存在模型储存模块；
进一步地，所述VECM模型，其模型表达式为：
<mrow> <msub> <mi>&amp;Delta;y</mi> <mi>t</mi> </msub> <mo>=</mo> <mi>&amp;delta;</mi> <mo>+</mo> <mo>&amp;Pi;</mo> <msub> <mi>y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msubsup> <mi>&amp;Phi;</mi> <mi>i</mi> <mo>*</mo> </msubsup> <msub> <mi>&amp;Delta;y</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>i</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mi>t</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
式中：Π＝αβ′ecmt-1＝β′yt-1是误差修正向量，反映变量之间的长期均衡关系，系数反映了变量之间偏离长期均衡状态时，将其调整速度，α和β是n×r的矩阵；Δ是差分算子，就像Δy＝yt-yt-1；是n×n的自回归系数矩阵；
步骤八、采用粒子群和蚁群结合优化VECM模型，初始化粒子群和蚁群的速度和位置，最初，粒子和蚂蚁随机分布于空间搜索或在混合算法中被设置为相同值；当二者开始出现个体行为时，在每次迭代中粒子群和蚁群分别获得最好解决方案并进行比较：如果蚁群的最佳解决方案不及粒子群的最优解，则必受到粒子群优化算法的最佳解决方案的影响，其运动方向也必定更新；同理，当粒子群的最佳解决方案不及蚁群的最优解，则必受到蚁群优化算法的最佳解决方案的影响且其运动方向也必定更新；迭代过程中对每个位置上蚂蚁信息素浓度进行更新，检查是否满足迭代终止条件,若不满足,则继续迭代；否则，算法结束并输出最优结果；
进一步地，所述的启发式智能优化说明如下：
对于蚁群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个蚂蚁的位置；对于粒子群：确定向量(k＝1,2,...,m)，通过使用目标函数(k＝1,2,...,m)评估每个粒子的位置；
利用(11)-(13)对粒子群的速度和位置进行更新
<mrow> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>=</mo> <msubsup> <mi>wv</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <msub> <mi>r</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>pbest</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <msub> <mi>r</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>gbest</mi> <mi>d</mi> </msub> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mi>k</mi> </msubsup> <mo>=</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
式中：—在第k迭代中粒子i在d维的速度矢量；—在第k迭代中粒子i在d维的位置矢量；c1,c2—加速常数，也称学习因素；r1，r2—两个随机数,间隔均匀分布于[0,1]；w—惯性权重参数，用于控制之前关于先前速度的影响；
w值由公式(13)获取：
w＝t-i/t (13)
利用(14)-(16)对蚁群的速度和位置进行更新
<mrow> <msubsup> <mi>X</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <mo>=</mo> <msubsup> <mi>X</mi> <mi>t</mi> <mrow> <mi>g</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msubsup> <mo>&amp;PlusMinus;</mo> <mo>&amp;part;</mo> <mi>X</mi> <mo>,</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mo>...</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
式中：t是迭代数量，T是迭代总数，Xgbest是最优位置,是从[-α,α]中随机产生的向量，用来确定允许产生的变异；在次迭代末这变化的长度有由以下公式确定：
αt+1＝0.1×αt (15)
Eq.(14)中的正负号决定了方向的变化，通过使用以下方程来决定:
<mrow> <msup> <mover> <mi>X</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msup> <mo>=</mo> <msup> <mi>X</mi> <mrow> <mi>g</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msup> <mo>+</mo> <mrow> <mo>(</mo> <msup> <mi>X</mi> <mrow> <mi>g</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msup> <mo>&amp;times;</mo> <mn>0.01</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
如果→符号为+，否则为-；
其中Pgbest为粒子群全局最优解，而Xgbest为蚁群全局最优解
比较二者的最优解决方案：
如果Pgbest≤Xgbest，则Xgbest＝Pgbest，利用公式(16)更新蚁群的位置和方向；
否则Pgbest＝Xgbest，利用公式(12)更新粒子群的位置和方向；
每个位置蚂蚁的信息素浓度计算公式为下式：
τt＝0.1×τt-1 (17)
τt＝τt-1+(0.01×f(Xgbest)) (18)
式中，公式(17)模拟了信息素的蒸发，公式(18)模拟了最优值周围信息素增加；
步骤九、最终将优化后的销量预测模型储存在销量预测应用***，输入将要预测所需的相应年度、季度或月度的经济变量、品牌车销量以及汽车销量，之后选择相适应的销量预测模型，在判断不缺少相关数据的情况下即得出相应的预测结果，即销量值。
CN201711004563.8A 2017-07-12 2017-10-25 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*** Pending CN107705160A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017105651360 2017-07-12
CN201710565136 2017-07-12

Publications (1)

Publication Number Publication Date
CN107705160A true CN107705160A (zh) 2018-02-16

Family

ID=61182569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711004563.8A Pending CN107705160A (zh) 2017-07-12 2017-10-25 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***

Country Status (1)

Country Link
CN (1) CN107705160A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782266A (zh) * 2018-07-31 2020-02-11 阿里巴巴集团控股有限公司 商品销量预测及模型训练方法、装置以及设备
CN111401941A (zh) * 2020-03-06 2020-07-10 武汉大学 一种基于XGBoost推荐算法的车辆销量预测方法
CN113554449A (zh) * 2020-04-23 2021-10-26 阿里巴巴集团控股有限公司 商品变量预测方法、设备以及计算机可读介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782266A (zh) * 2018-07-31 2020-02-11 阿里巴巴集团控股有限公司 商品销量预测及模型训练方法、装置以及设备
CN110782266B (zh) * 2018-07-31 2023-04-28 阿里巴巴集团控股有限公司 商品销量预测及模型训练方法、装置以及设备
CN111401941A (zh) * 2020-03-06 2020-07-10 武汉大学 一种基于XGBoost推荐算法的车辆销量预测方法
CN113554449A (zh) * 2020-04-23 2021-10-26 阿里巴巴集团控股有限公司 商品变量预测方法、设备以及计算机可读介质

Similar Documents

Publication Publication Date Title
Petković et al. Feature ranking for multi-target regression
Sun et al. An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN107944594B (zh) 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法
Morteza et al. Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings
CN107705160A (zh) 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***
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN108898259A (zh) 基于多因素综合的自适应进化规划电力负荷预测方法及***
CN112258251A (zh) 基于灰色关联的电动汽车换电需求的集成学习预测方法及***
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及***
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN104217296A (zh) 一种上市公司绩效综合评价方法
Zhou et al. Deep learning-based intelligent multilevel predictive maintenance framework considering comprehensive cost
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
Jiang et al. SRGM decision model considering cost-reliability
CN116108963A (zh) 一种基于集成学习模块的电力碳排放预测方法及设备
CN115310355A (zh) 考虑多能耦合的综合能源***多元负荷预测方法及***
Pilát et al. Meta-learning and model selection in multi-objective evolutionary algorithms
CN113537607A (zh) 停电预测方法
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN112801388A (zh) 一种基于非线性时间序列算法的电力负荷预测方法及***
CN117539520B (zh) 固件自适应升级方法、***以及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180216