【《基于时间序列的新能源汽车发展预测探析》1000字】_第1页
【《基于时间序列的新能源汽车发展预测探析》1000字】_第2页
【《基于时间序列的新能源汽车发展预测探析》1000字】_第3页
【《基于时间序列的新能源汽车发展预测探析》1000字】_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于时间序列的新能源汽车发展预测分析目录TOC\o"1-3"\h\u228781.1时间序列的构建 1233081.2霍尔特指数平滑法预测 2206951.3预测误差的自相关性的预测 31.1时间序列的构建1.1.1ARIMA模型的建立1.ARIMA模型系数p，q的范围拟定ARIMA模型定义为固定时间序列。因此，如果从一个非平稳的时间序列开始，我们将首先需要“区分”时间序列，最终得到一个固定时间间隔的时间序列。根据这个固定的时间序列拟合出一个ARIMA（p,d,q）模型，其中d是差分的阶数。利用r语言软件调取2011-2020年我国新能源汽车保有量数据，绘制时间序列图，自相关图和偏自相关图并观察趋势：图5-1新能源汽车时间序列图图5-2自相关和偏自相关图通过观察，该时间序列可以有ARMA模型拟合，由于数据较少，故不进行差分，直接确定模型系数q，p。由自相关和偏自相关图可知，自相关系数二阶截尾，偏自相关系数一阶截尾，可能的模型为：根据自相关图可确定模型为MA(2)模型根据偏自相关图可确定模型为AR(1)模型综合考虑自相关与偏自相关系数图可得模型应该为ARIMA(1,0,2)计算三种情况的AIC，BIC值。一般认为，AIC和BIC值较小的模型拟合度较高。经过对比ARIMA(1,0,2)模型的AIC，BIC值均最小，所以我们可以认为ARIMA(1,0,2)为最优模型。1.2霍尔特指数平滑法预测由图5-1所示，该时间序列数据增长趋势明显，且不存在季节性因素，此处我们应选择霍尔特指数平滑法进行预测。以下为参数预测结果：alpha=0.9646178beta=0.2887873从模型结果来看alpha和beta参数来看都相对较低（在0到1之间），数值较低说明较远的时间点上的数值权重较高，这可能是由于数据差距较大导致。图5-2霍尔特指数平滑法预测结果图从模型的预测值和实际值来看，预测后期的数据重合度较高且整体趋势吻合度较高，整体上模型预测效果相对不错。在2018年出现较大误差，这是因为在2018年时国家新能源政策退坡，直接影响了新能源汽车的产销量。接下来我们预测未来十年新能源汽车的销售量：图5-3未来十年销量预测由图5-3，蓝色实线表示预测值，两种颜色的阴影部分别表示75%和95%的置信区间。从增长趋势来看预测结果吻合度较高。1.3预测误差的自相关性的预测为了验证预测误差的自相关性，我们利用r语言软件绘制预测误差的1-5阶自相关图，如图5-4.图5-4预测误差1-5阶自相关图由图5-4可知，预测模型滞后5阶内基本没有超出置信边界。为了验证在滞后1-5阶时非零自相关性是否显著，我们借助R语言的Ljung-Box检验，得到结果P值为0.89394。从结果来讲，p值较大，预测误差可能存在自相关性。但由于样本数量较少，则预测误差存在自相关性的可能性较小。从整体

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论