基于支持向量回歸集成學習的新能源汽車銷量預測

藍鎵寶

摘 要：新能源汽車的普及，有利于減少大氣污染，提高空氣質量。但與新能源汽車相配套的公共充電基礎設施、維修服務等問題卻阻礙了新能源汽車銷量的增長。因此，預測我國新能源汽車銷量以完善相關配套措施、促進新能源汽車產業的發展就顯得尤為重要。針對新能源汽車產業屬于新興產業，其相關歷史數據較少，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集成學習方法，對我國新能源汽車的銷量進行預測和分析。首先，選取影響消費者購買意愿的公共充電樁數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，并收集相關數據;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個訓練數據對這5個樣本集進行訓練，得到5個支持向量回歸模型;然后，平均5個模型的結果，減少模型噪聲，優化最終預測效果;最后，分析所得的預測新能源汽車銷量模型的準確性及不足之處。

關鍵詞：支持向量回歸 集成學習 新能源汽車 居民可支配收入 公共充電樁數量

1 引言

隨著環境污染和能源短缺的日益嚴峻，新能源汽車以其環保、節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發展迅猛。但隨著該產業的發展，與新能源汽車配套的基礎設施卻“趕不上趟”，即相關配套基礎設施不能滿足市場上已銷新能源汽車的需求。因此，預測新能源汽車的銷量，合理建設配套設施就顯得尤其重要。故本文選用具有較優并行能力處理原始數據的支持向量回歸集成學習這一方法，預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，包括許多定量指標和定性指標。馬琪、秦宇濤和楊立華認為，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、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，認為加大制造商的研發投入可提高新能源汽車的銷量[3];Shanshan LI和Wensong ZHANG通過灰色關聯模型研究得出，公共充電樁建設規模與新能源汽車銷量關聯度較高[4]。

綜上研究成果，現有的預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業，該行業存在銷量波動較大的特點。因此，本文結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、對異常數據不敏感的Bagging集成學習方法，以提高預測的準確度。

3 支持向量回歸集成學習

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，設置一個偏差范圍，當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，再對數據進行回歸分析。

張康寧和廖光忠認為，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：從數據集D中進行有放回地隨機抽樣，得到m個樣本數據集，然后基于每個樣本數據集，訓練一個基學習器，得到m個基分類器，平均m個模型的輸出結果，得到最終結果[5]。

4 指標構建

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鍵因素。隨著我國經濟的發展，居民收入水平的提高，人們會考慮選擇購買節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 公共充電樁設施數量

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施。公共充電樁作為新能源汽車的必備配套設施，需保證充電樁的數量與新能源汽車的銷量相匹配。

5 實驗

5.1 數據收集

居民可支配收入、公共充電樁數量以及新能源汽車銷量的相關數據都來自于國家統計局[6]。

5.2 整合數據

把居民可支配收入、公共充電樁數量以及我國新能源汽車銷售量的數據按照時間順序對應排列。

5.3 構建支持向量回歸集成學習模型

構建支持向量回歸集成學習模型步驟如下所示：

首先，采用Hold-Out方法把樣本數據分為兩類：30個數據樣本作為模型的訓練集，6個數據樣本作為模型的測試集。

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

（1）假設預測值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）設為SVR模型函數;

（3）通過求解SVR的對偶問題、核函數，可得SVR函數：

式①中，;;為支持向量;為核函數。

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

構建支持向量回歸集成學習模型的流程如圖1所示：

6 討論

6.1 檢驗SVR模型的準確性

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

1、從2018年Q3至2019年Q3，模型的預測銷量都比實際銷量要低，主要是由于公共充電設施的不完善，使得消費者對新能源汽車的消費持觀望的態度。但又由于相關政策的補貼，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測值遠低于實際銷量，主要是由于技術瓶頸，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技術瓶頸，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習的應用范圍

支持向量回歸模型具有較強的泛化能力處理相關數據少、自變量存在非線性關系的經濟問題。Bagging集成學習能夠處理異常數據，提高預測的準確率。故針對模型的特性，支持向量回歸集成學習還能用于預測智能家居機器人這一新型產業產品的銷量，以延長我國人工智能產業鏈，促進人工智能新型產業的發展。

7 結論

新能源汽車產業的發展關乎我國能源安全，本文針對已有的預測我國新能源汽車銷量模型未考慮這一新興行業歷史數據較少、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習，以預測新能源汽車的銷量。并結合相關信息，證明了支持向量回歸集成學習對新能源汽車銷量的預測是準確的、有效的，說明了居民可支配收入以及公共充電樁的數量會影響新能源汽車的銷量。

支持向量回歸集成學習能夠準確地預測許多新興行業產品的產銷量，推動了我國新興產業的發展，有利于提振我國實體經濟。但SVR集成學習也存在缺陷，SVR具有較強的泛化能力預測樣本數據少、自變量之間為非線性關系的經濟問題，但是Bagging集成學習會在個別偏差較大的數據的處理上存在過擬合的問題，對未知樣本的預測能力一般。因此，在使用支持向量回歸集成學習進行預測時，如何處理好兩個工具處理數據的問題，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].復旦公共行政評論，2019（02）：36-63.

[2]李創，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，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（Chongqing Jiaotong University）、湖北省眾科地質與環境技術服務中心（Hubei Zhongke Institute of Geology and Environment Technology）.2019.

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

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