一種汽車銷售預測模型的建立

畢業(yè)設計說明書學院：車輛工程學院專業(yè)：車輛工程學生姓名：張三峰學號：0810210215指導教師：趙偉才2012年6月摘要在一個國家的經(jīng)濟發(fā)展中，汽車產業(yè)占據(jù)重要地位。發(fā)展汽車產業(yè)可以帶動鋼鐵，冶金，化工，能源等諸多國民經(jīng)濟重要產業(yè)。比如美國之所以能在二十世紀，二十一世紀稱雄世界與該國政府努力發(fā)展汽車工業(yè)不無關系。在當今中國，經(jīng)濟突飛猛進。而要發(fā)展中國經(jīng)濟，就尤其需要發(fā)展汽車產業(yè)。自改革開發(fā)以來的三十多年中，隨著居民購買力不斷增長，汽車產業(yè)規(guī)模不斷擴大。汽車市場競爭日趨激烈。而如何在激烈的市場競爭中站穩(wěn)腳跟，銷量預測成為關鍵。經(jīng)銷商從大量的汽車銷售歷史數(shù)據(jù)中，找到隱藏的汽車銷售預測信息，可以在競爭中占據(jù)主動。汽車生產廠家掌握了汽車銷售預測信息，可以合理選擇生產量，研究開發(fā)新車型，挖掘市場潛力，也減少了不必要的生產投資。特別是現(xiàn)在中國汽車市場供過于求，產能過剩現(xiàn)象嚴重，惡性市場競爭嚴重。汽車銷售預測模型有單一預測模型和組合預測模型。建立單一預測模型有移動平均預測模型，指數(shù)平滑預測模型和回歸分析預測模型。組合預測模型就是綜合運用三種單一預測模型，根據(jù)三種模型的誤差大小給予三種模型不同的權重。因此組合預測模型預測準確性要大于單一預測模型。要精確的預測汽車銷量，研究精確的預測模型變得很重要。本論文研究出比現(xiàn)有預測模型更精確的預測模型。通過運用組合預測模型和RBF預測模型，建立了更復雜的綜合預測模型。通過測試，發(fā)現(xiàn)該模型精確性更高。并且本論文研發(fā)了相應的預測軟件。構建了銷售預測平臺。AbstractAutomotiveindustryineachcountry'seconomicdevelopmentisessential.Thedevelopmentoftheautomotiveindustrycandrivetheironandsteel,metallurgy,chemicals,energy,andmanyotherimportanteconomicindustry.ThereasonwhytheUnitedStates,forexample,inthe20thcentury,thetwenty-firstcentury,dominatingtheworldwiththeGovernmenteffortstodeveloptheautomobileindustryarenotunrelated.InChinatoday,economicgrowfast.DevelopmentofautomobileindustryoftheentireChineseeconomyisparticularlyneeded.Withthegrowingpurchasingpowerofresidentssincethereformanddevelopment,theautomotiveindustryhavebeenexpanding.Inthepasttenyears,turnouttheblowoutphenomenon.Increasinglycompetitiveautomarket.Autosalesforecasttobecomeveryimportant.Dealertofindhiddeninthehistoricaldatafromalargenumberofcarsales,autosalesforecastinformation,competitioncantaketheinitiative.Areasonablechoiceofpartsinventoryandliquidity,reduceunnecessaryinvestmentlosses.Master

autosalesforecastinformationfortheautomobilemanufacturers,itisreasonabletoselecttheproduction,researchanddevelopmentofnewmodels,marketpotential,butalsotoreduceunnecessaryproductionandinvestment.Inparticular,China'sautomarketoversupply,overcapacityisserious,viciousmarketcompetitionseriously.Carsalesforecastingmethodsaremovingaverage,exponentialsmoothing,regressionanalysis.Carsalesforecastmodelhasasinglepredictionmodelandthecombinationforecastingmodel.Asinglepredictionmodelpredictiveaccuracythanthecombinationforecastingmodel.Combinationforecastingmodelintegrateduseoftheaforementionedthreemethodsgivethreewaystothedifferentweightdistribution.Researchmoraccurateautosalesforecastmodeltopredictcarsalesisespeciallyimportant.Inthisthesis,in-depthstudyofthecombinationforecastingmodelandtheRBFneuralnetworkpredictionmodel,andtheestablishmentofamore

accuratepredictionmodelsthanexistingmodels.Useofcomputerdatabasetechnology,economics,technology,mathematics,statisticaltechniques.Developmentofforecastingsoftware.Salesforecastingplatformwasconstructed.目錄摘要 IAbstract II目錄 IV第一章 引言 -1-1.1研究的背景和意義 -1-1.2國內外研究狀況 -1-第二章 時間序列預測原理綜述 -2-2.1時間序列預測綜述 -2-2.1.1時間序列預測基本方法 -2-2.1.2回歸預測分析法 -7-2.2定性預測法 -8-2.3主要的預測方法 -8-第三章 汽車整車銷售預測模型的應用過程分析 -9-汽車整車銷售綜合預測模型分析 -9- -9-3.2組合預測模型 -11-3.2.1組合預測模型的理論依據(jù) -11-3.2.2組合預測模型的思想 -12-3.2.3組合預測模型的權值比例研究 -13-3.2.4綜合預測模型應用分析 -13-3.2.5比較分析各種模型預測結果 -14-3.3銷售模型實例分析 -15-3.4模型分析 -16-3.4.1指數(shù)平滑模型的預測流程 -16-3.4.2實例分析 -17-3.5評估組合預測模型準確性 -21-3.6RBF神經(jīng)網(wǎng)絡預測模型的預測過程 -22-3.6.1數(shù)據(jù)預處理 -22-3.6.2動態(tài)自適應學習 -23-3.6.3RBF神經(jīng)網(wǎng)絡預測模型 -23-3.7模型分析 -24-第四章 汽車整車銷售預測模型研發(fā) -25-汽車整車預測模型設計思想 -25-4.2汽車整車預測模型總體框架 -26-…………...-27-4.4汽車整車銷售預測模型的應用軟件的實現(xiàn) ……-28-4.5權值分配 -31-4.6預測結果擬合模塊設計 -31-4.7測試環(huán)境 -33-4.7.1硬件環(huán)境 -33-4.7.2軟件環(huán)境 -33-4.7.3測試步驟 -34-結論 -35-參考文獻 -37-致謝 -40-引言研究的背景和意義在現(xiàn)實生活的方方面面都存在著預測。小到個人的日程安排，大到國家政策的訂立，預測無處不在。過去會對現(xiàn)狀產生影響，現(xiàn)狀如何又會對將來產生影響。這就是預測的依據(jù)。企業(yè)的決策同樣離不開預測。英明的決策建立在精確的預測上。提高銷售預測的準確性可以改善企業(yè)銷售流程，也可以為汽車生產和銷售企業(yè)高層提供決策支持。預測汽車在某個時間段的銷售量可以減少不必要的投資，而減少投資損失等于提高了企業(yè)經(jīng)濟效益。比如汽車生產企業(yè)根據(jù)每季度銷售量確定每季度的生產計劃，選擇增加還是減少生產設備，避免設備閑置帶來經(jīng)濟損失。汽車銷售企業(yè)也可根據(jù)銷售預測，確定汽車訂價，配件分配和庫存，也帶來經(jīng)濟收益。在當今世界，很多汽車企業(yè)集團都是大規(guī)?；蛱卮笠?guī)模的。它們的銷售網(wǎng)絡非常龐大，單靠以往的手工預測極難滿足銷售管理部門的需要。當今中國汽車產業(yè)不斷發(fā)展壯大，預測汽車銷量具有特殊意義。1.我國汽車企業(yè)銷售預測僅停留在手工操作，靠經(jīng)驗的階段；2.出現(xiàn)新車型，汽車廠家競相投資，供過于求，導致資源大量浪費，缺乏汽車市場的調查。國內外研究狀況銷售預測模型有單一預測模型和混合預測模型。單一預測模型有移動平均法，指數(shù)平滑法，馬爾科夫預測法?；旌项A測模型有ARMA預測模型。由于影響汽車銷量的因素極其復雜。汽車銷量呈線性和非線性變化。針對汽車銷售預測，出現(xiàn)了幾種精確的預測模型。有ARMA，HANNFM，時間序列分解法預測模型。而針對每個汽車企業(yè)，影響其銷售量的因素又非常特別的，所以針對某個汽車企業(yè)建立銷售預測模型是必要的。第二章時間序列預測原理綜述2.1時間序列預測綜述時間序列預測基本方法時間序列數(shù)據(jù)是根據(jù)相同的時間間隔所取得的一系列數(shù)據(jù)。時序變量Y=F(t)，描述一個點隨時間的變化情況。時序數(shù)據(jù)具體分為三類：語音數(shù)據(jù)。比如聲音，視頻數(shù)據(jù)；經(jīng)濟，市場，生產數(shù)據(jù)。比如股票數(shù)據(jù)，銷售數(shù)據(jù)；科學數(shù)據(jù)。比如氣象，地質數(shù)據(jù)。時序數(shù)據(jù)具有三個特點：1，時序數(shù)據(jù)是根據(jù)預測目標從過去到現(xiàn)在的發(fā)展趨勢來預測從現(xiàn)在到未來的發(fā)展趨勢。所依據(jù)的是慣性原理。即假設過去發(fā)展的規(guī)律性會延續(xù)到未來，所謂的慣性原理。但隨著時間的延長，影響銷售數(shù)據(jù)的因素不斷積累，規(guī)律性減弱。一般該原理用于短期預測最佳，中期預測變弱，長期預測變差。2，時序數(shù)據(jù)的變化是由各種因素引起的。按照特點，這些因素可以分為四類：趨勢因素，比如數(shù)據(jù)是增長還是下降。季節(jié)因素，根據(jù)汽車銷售歷史數(shù)據(jù)，發(fā)現(xiàn)通常春節(jié)期間汽車銷售量較高，季節(jié)因素明顯。周期性因素，比如周期性出現(xiàn)的經(jīng)濟危機。不規(guī)則數(shù)據(jù)，也就是隨機數(shù)據(jù)，地震或戰(zhàn)爭因素。3，時間序列是一種簡化。因為影響時序數(shù)據(jù)的外部因素非常復雜。時間序列是對這些因素的簡化，從而更簡單方便的對數(shù)據(jù)進行預測。根據(jù)影響汽車銷售量的幾種因素，采用定性與定量，線性與非線性相結合的方法預測整車銷售量。（1）線性預測法：根據(jù)汽車整車銷售歷史數(shù)據(jù)，運用統(tǒng)計學，經(jīng)濟學，計算機技術來預測汽車銷售趨勢。根據(jù)汽車銷售量隨時間的變化特點可以分為定性預測法和定量預測法。（2）定量預測法：本論文僅研究三種定量預測法。移動平均法，指數(shù)平滑法，回歸分析法。A．移動平均預測法移動平均預測法是隨著汽車整車銷售量新數(shù)據(jù)不斷加入，不斷調整結果平均數(shù)的一種平滑方法。它的優(yōu)點是可以消除一些特殊因素的影響，顯明汽車整車銷售量的變化方向。分為一次移動平均預測，二次或多次移動平均預測。當整車銷售時間序列沒有明顯的趨勢變動時，使用一次移動平均就可以非常好的地反映實際銷售變化趨勢，用第t時刻的一次移動預測值就可預測第t+1時刻的預測值。當整車銷售時間序列出現(xiàn)顯著的或非常顯著的變動趨勢時，就要用二次或多次移動平均預測，以凸顯實際銷售變化趨勢。B．一次移動平均預測設有一汽車整車銷售歷史數(shù)據(jù)的時間序列，先按時間的先后順序逐步推算求出N個數(shù)的平均數(shù)，即可得到第一次移動平均數(shù)：（2-1）公式（）中Mt為第t時刻的一次移動平均數(shù)；乃為第t時刻的整車銷售。歷史值N為移動平均的移動時距，也就是使用多少個歷史的整車銷售值來計算。公式(2.1)式表明當t向前移動一個時間間隔，就增加一個新近整車歷史銷售數(shù)據(jù)，去掉一個遠期的整車銷售的歷史數(shù)據(jù)，然后計算出一個新的預測數(shù)。這個預測方法的特點是不斷地“吐故納新”，逐步按時間向前移動，所以稱為移動平均預測法。由于移動平均可以平滑數(shù)據(jù)，消除季節(jié)變動，周期變化和不規(guī)則變化的影響，使得整個整車銷售時間序列的長期趨勢顯示出來，可以用于長期趨勢預測。其預測公式為：（2.2）公式(2.2)表示可以把第t時刻的第一次移動平均值作為第t+1時刻的預測值。方法是在一次移動平均的預測值的時間序列上再做一次移動平均，然后建立長期趨勢的預測模型。所以移動平均預測法也稱為長期趨勢預測法。設一次移動平均數(shù)為，則二次移動平均數(shù)的計算公式為：（2.3）可以看成具有某種直線趨勢，且未來時期銷售量也按此直線趨勢變化，則可設此直線趨勢預測模型為：（2.4）公式(2.4)式中t為當前時期數(shù)；T為當前時期數(shù)t到預測時刻的時間間隔數(shù)，即t以后長期趨勢預測模型外推的一段時間為第t+T期的時間序列的銷售預測值；為直線的截距；為直線的斜率。根據(jù)二次移動平均預測值求出直線的截距和直線的斜率的計算公式為（2.5）（2.6）C.指數(shù)平滑預測法指數(shù)平滑預測，是一種金融行業(yè)進行短期預測的預測方法，同樣也可以應用到汽車整車銷售行業(yè)中。這種預測方法是給比較近的一些整車銷售的歷史銷售數(shù)據(jù)以比較大的權值，而對比較遠的整車歷史銷售數(shù)據(jù)以比較小的權值。因為最近的銷售數(shù)據(jù)更反映整車銷售預測，也就是說最近的銷售數(shù)據(jù)與未來銷售趨勢關系最密切。指數(shù)平滑預測法是當整車銷售歷史數(shù)據(jù)有某種趨勢的表現(xiàn)之后，需要添加一個趨勢因子來計算未來汽車銷量。所以汽車整車銷售預測過程就包括兩個平滑過程。與移動平均預測法類似，也分為一次指數(shù)平滑預測法和二次或多次指數(shù)平滑預測法。當整車銷售時間序列沒有明顯的變動趨勢時，使用一次指數(shù)平滑預測即可。如果整車銷售時間序列有顯著的變動趨勢時，用一次指數(shù)平滑預測會出現(xiàn)明顯的滯后偏差，這時用二次或多次指數(shù)平滑預測法。1.指數(shù)平滑預測法的基本原理：①一次指數(shù)平滑預測設時間序列為則一次指數(shù)平滑的預測公式為：（2.7）公式(2.7)式中為第時刻的一次指數(shù)平滑值。為平滑系數(shù)，為期的預測值。展開公式2.7：（2.8）由于當時，于是上述公式變?yōu)椋ǎ┮驗槠交禂?shù)符合指數(shù)規(guī)律，又具有修勻整車銷售數(shù)據(jù)時間序列中的周期性影響的功能，所以稱為指數(shù)平滑預測法。用公式)進行時間序列預測，能得到一次指數(shù)平滑預測值。其預測模型為：（2.10）即以第t時刻的一次指數(shù)平滑值作為第t+l時刻的預測值。②二次指數(shù)平滑預測平滑的方法是在一次指數(shù)平滑的整車銷售時間序列上再做二次指數(shù)平滑，然后建立的平滑預測模型，叫做二次指數(shù)平滑預測模型二次指數(shù)平滑值的計算公式為：（2.11）公式(2.11)式中，為第時刻的一次指數(shù)平滑預測值。為第時刻的二次指數(shù)平滑預測值。為第時刻的二次指數(shù)平滑預測值。若整車銷售時間序列從某時期開始具有某種線性趨勢，并且認為未來也按此線性趨勢變化，可用如下的線性趨勢模型來預測整車銷售量。（2.12）式中為當前時期數(shù)；為由初始化的時期數(shù)到結果預測值之間的時期數(shù)；為第期的銷售量預測值。為線性的截距，為線性的斜率，其計算公式為：（2.13）（2.14）2.初始值的確定因為是的前一期的平滑值，說明每次預測都要以上一次的預測值為基礎。這樣不斷往回推，必然有第一個預測值即初始值，即用表示)如何確定的問題。關于初始值的選擇，一般可以這樣考慮：①當原始序列的項數(shù)較多(如大于50項)時，以第一期的觀測值作為初始值，即。這樣因為數(shù)據(jù)多，多次平滑運算后，初始值會對預測值影響很??；②當原始序列的項數(shù)較少時(如在20以內)，初始值更加影響未來預測值，這時取最初的幾個數(shù)據(jù)的平均值作為初始值即：)其中N為某一整數(shù)?；貧w預測分析法回歸分析預測法是依據(jù)汽車整車銷售量與影響銷售量的因素之間的函數(shù)關系構建回歸模型來預測汽車整車銷售量。如果分析整車歷史銷售數(shù)據(jù)發(fā)現(xiàn)有多個因素影響汽車整車銷售量時就可以使用多元回歸預測模型1、回歸預測分析法的基本原理設回歸曲線方程式為：)式中，y代表因變量，x代表自變量，a，b，c是回歸系數(shù)。設現(xiàn)有期的統(tǒng)計值，令i期的統(tǒng)計值為，則期的統(tǒng)計值與回歸線對應點縱坐標之間的偏差為，偏差平方和S為：（2.17）將回歸曲線方程(12)代入偏差平方和表達式(13)得：要求曲線y上各點實際資料線上對應點之間的偏差平方和S最小，需求偏導數(shù)，令偏導數(shù)。則S為最小，得聯(lián)立方程組：（2.18）為使計算過程簡便，使這樣上述方程可簡化為：（2.19）解上述聯(lián)立方程組，即可求出系數(shù)a，b，c。預測時，只要求出回歸系數(shù)a，b，c的值便可建立回歸線方程，從而得到預測應用模型。2.2定性預測法定性預測法是用不需要精確度度高的統(tǒng)計手法計算，是以市場調查為基礎，根據(jù)汽車行業(yè)從業(yè)人員的經(jīng)驗，基于汽車銷售行業(yè)領導層意見一種預測方法。一般的用在汽車整車銷售行業(yè)的方法主要有執(zhí)行官意見預測法、德爾菲技術預測法、銷售力量投票預測法、德爾菲法預測等等。2.3主要的預測方法1、德爾菲方法需要一組在不同地區(qū)的專家，他們各自獨立地完成一些老的調查問卷。每一份調查問卷的結果都隨同一份問卷同時送出，然后每位專家評估這些信息，在下一份問卷中調整他或她的反應。其目的是使得大多數(shù)專家的結論都集中在一個相對集中的范圍里。這個方法通常僅用作公司最高層或政府對整體趨勢的長期預測。2、消費市場調查方法通過調查消費者和潛在的消費者未來購買計劃及他們對各種產品新特點的反應的一種地毯式銷售預測方法。這對于最初預測設計新產品和確定銷售量具有特殊的作用，也有助于策劃一個營銷活動。汽車整車銷售預測模型的應用過程分析汽車整車歷史銷售數(shù)據(jù)分析以2006年1月到2006年12月期間的一個地區(qū)的經(jīng)銷商的汽車整車月銷售量為歷史數(shù)據(jù)，根據(jù)各月份的奧迪汽車整車銷售量數(shù)據(jù)做一個歷史時間序列圖。從圖3.1中可以看出隨著一些社會因素的變動，整車銷售量也存在一些波動，因此該型號汽車銷售量序列為一非平穩(wěn)時間序列。圖3.1奧迪汽車06年銷售量(輛)根據(jù)圖3.1中的汽車整車銷售的歷史數(shù)據(jù)分解發(fā)現(xiàn)：一月到五月的整車銷售量有下降趨勢：8000輛——6000輛，五月到八月的整車銷售量有上升趨勢：6000輛——8500輛，九月到十月下降趨勢：9000輛——7500輛，十一月到第二年的一月又出現(xiàn)上升的趨勢：8000輛一9000輛。但是可以看成銷量在五月之后一直是上升趨勢，而根據(jù)上一章對移動平均預測法的研究發(fā)現(xiàn)它對于長期趨勢，周期變化效果比較明顯；而12月出現(xiàn)一個銷售高峰，在整車銷售時間序列中可以看成是一個轉折點，針對這種轉折點的預測可以試著使用回歸分析預測模型，回歸分析預測模型可以很好的預測出整車銷售時間序列中的季節(jié)因子；從05年到09年的整個歷史整車銷售數(shù)據(jù)，發(fā)現(xiàn)整車銷售隨著市場環(huán)境變化會出現(xiàn)周期變化，而指數(shù)平滑預測模型可以把周期因素平滑點，所以可以使用指數(shù)平滑預測模型來對長期趨勢、季節(jié)變化因素進行預測。然后根據(jù)“優(yōu)重差輕”原則，進行權重分配的組合預測。圖3.1中的銷售歷史數(shù)據(jù)是一個地區(qū)(50個經(jīng)銷網(wǎng)點)的汽車整車銷售量，它具有一個地區(qū)特色的特點。為了使得本論文中所提出的綜合預測模型的應用型更加廣泛，再使用2006年一月到2008月十二月期間的一個經(jīng)商網(wǎng)點的汽車整車銷售量為歷史數(shù)據(jù)，根據(jù)各月份的奧迪汽車整車銷售量數(shù)據(jù)做一個歷史時間序列圖：圖3.2奧迪汽車06年——08年銷售量(一個經(jīng)銷點)根據(jù)圖3.2中的汽車整車銷售的歷史數(shù)據(jù)分解發(fā)現(xiàn)：春節(jié)所在月的前后整車銷售量是全年銷售量中最高，06年、07年的一月、二月整車銷售量是最高，分別是220輛、125輛，08年在二月左右出現(xiàn)了最高峰200輛；06、08年的旺季出現(xiàn)在六月到八月100輛到180輛而在07年五月到九月的銷售量有所下滑。這因為2006年是中國加入WTO后承諾汽車整車關稅降至25%的期限，在經(jīng)歷了5年的過渡期以后，中國汽車行業(yè)基本實現(xiàn)平穩(wěn)與國際接軌，而07年正是政策實施開始，汽車市場主基調既然離不開降價、汽車三包政策的擇機出臺、汽車品牌管理辦法的實施、外商直接參與中國汽車銷售市場的競爭盡管降價聲勢浩大，但消費者并不買賬，所以在07年的旺季出現(xiàn)銷售量的下滑，六月到十月是88輛到125輛。從圖3.2中分析發(fā)現(xiàn)雖然07年的汽車整車銷售量有所下降，但是汽車整車銷售量總體還是在向一個趨勢發(fā)展。所以通過這些歷史數(shù)據(jù)可以把整車銷售時間序列分解為長期增長還是下降趨勢、季節(jié)因素(比如春節(jié))、周期性因素(比如經(jīng)濟危機)以及不規(guī)則變動(比如地震，洪水)。分別對各種影響因素進行預測，再使用然后根據(jù)“優(yōu)重差輕”原則，進行權重分配這些預測值獲得組合預測值。3.2組合預測模型.1組合預測模型的理論依據(jù)：長期趨勢(T)、季節(jié)變動(S)、循環(huán)波動(C)和不規(guī)則變動(I)。而在實際的整車銷售量預測中很難把不規(guī)則變動(I)從整車銷售時間序列波動中分解出來，因為不規(guī)則變動(I)很難從時間序列中分解出來，所以通常把I認為I=1.0，從而可以對四種因素逐個分解分別計算出一個銷售量預測值，在通過乘法原理得出一個總的銷售量預測值，所以建時間序列分解法所得公式：（3.1）四種因素都可以按照各個指數(shù)計算出來，而各自的指數(shù)是按照每種側重的算法計算出來的。這種時間序列分解法的思想給本論文中創(chuàng)新研究的組合預測模型提供理論依據(jù)。對歷史整車銷售數(shù)據(jù)的分解發(fā)現(xiàn)，每年春節(jié)所在月份整車銷售量波動較大，而且春節(jié)所在月一般不固定，在分析06、07、08年的銷售歷史數(shù)據(jù)時，使用單一的指數(shù)平滑預測模型發(fā)現(xiàn)，根據(jù)06年歷史銷售量數(shù)據(jù)平滑出07年二月的銷售量時，出現(xiàn)誤差。根據(jù)指數(shù)平滑預測模型計算得到的07年的二月銷售量是80輛而實際銷售量是125輛，使用單一的回歸分析預測模型預測出二月份銷售量是100輛，通過這兩個單一模型的預測結果表示在奇異點的地方使用“先剔后補”可以把非線性整車銷售時間序列中的一些奇異點計算出來。所以在對汽車整車未來銷售量的預測可以采用“先剔后補”的方法，首先剔出歷史整車銷售數(shù)據(jù)中春節(jié)所在月份的數(shù)據(jù)，使用(除了春節(jié)所在月)其他的歷史銷售數(shù)據(jù)預測完成之后，也就是整車銷售時間序列的長期趨勢預測，再依據(jù)一些特殊的預測方法預測春節(jié)月份銷售量，比如回歸分析預測方法。在整車銷售時間序列中還有一些受政府政策影響較大的“奇異點”也同樣可以考慮在誤差分析中比如在圖3.2中的表現(xiàn)的中國加入WTO后承諾汽車整車關稅降至25%的期限，也可以是放在RBF神經(jīng)網(wǎng)絡預測模型中去考慮。從模型的預測數(shù)據(jù)與實際銷售量比較發(fā)現(xiàn)，這種整車時間序列分解方法可以考慮影響汽車整車銷售量的多種因素，又能對每種因素做出精確地預測，所以這種方法可以提高汽車整車銷售預測模型的精確度。綜上所述，組合預測模型是按照這種時間序列分解思想采用的三種單一預測模型進行權重分配的組合模型，也就是組合模型理論依據(jù)是成立的。組合預測模型的思想從在上面一章中討論了移動平均預測模型，指數(shù)平滑預測模型，回歸分析預測模型的特點，發(fā)現(xiàn)指數(shù)平滑預測模型通過對歷史整車銷售時間序列進行逐層平滑計算，從而消除隨機循環(huán)波動(C)因素的影響，根據(jù)分析發(fā)現(xiàn)它對于短期預測效果比較好，因為最近的整車銷售歷史數(shù)據(jù)是包含最多的未來汽車行業(yè)銷售情況的數(shù)據(jù)，所以相當于歷史時間序列中計算長期趨勢(T)、季節(jié)變動(S)。比如06、07、08年的銷售歷史數(shù)據(jù)中從分析得出這三年的汽車整車銷售量從88輛增長到220輛，不管中間是降低到72還是上升到兒O，整體銷售量趨勢還是趨向于一個方向的。回歸分析預測模型有效地反映了汽車整車銷售隨季節(jié)波動的特點，有一定的可靠性，但不能反映其他非線性因素帶來的影響，預測效果欠佳，相當于歷史時間序列中計算季節(jié)指數(shù)，季節(jié)變動(S)。移動平均預測模型針對非季節(jié)性變化時間序列，可相當于在歷史時間序列中計算長期趨勢(T)、循環(huán)波動(C)的分解值，也是單一模型中的長期趨勢預測模型的預測值。綜上所述，根據(jù)收集的汽車整車銷售歷史數(shù)據(jù)和預測時間來看，歷史銷售數(shù)據(jù)和時間是呈幾何級數(shù)增長，比如在06、07、08年的每一個春節(jié)的銷售量分別是220輛、125輛、200輛、來看春節(jié)這一時間段是全年銷售比較高的時刻，則使用回歸分析預測模型，回歸分析預測模型可以看成是計算時間序列中的季節(jié)變動(季節(jié)變化因子)因素的值；指數(shù)平滑模型計算時間序列中的長期趨勢、季節(jié)變動因素的值；移動平均預測模型計算時間序列中的長期趨勢、循環(huán)波動因素的值。影響整車銷售時間序列的四個因素都分別包括在這三種單一預測模型中，因此如果把這三種單一的方法實行權重分配組合，可以弱化某一個單一預測模型的不足，強化某一單個預測模型在整車預測結果中的優(yōu)點部分，還可以根據(jù)不同汽車行業(yè)市場變化來預測下一個時期的汽車整車銷售量，并提高汽車整車銷售的預測精度。.3組合預測模型的權值比例研究組合預測模型是結合多種單一預測模型的優(yōu)點，是利用多種單一預測方法的預測值，按比例加權得出的組合預測值。研究發(fā)現(xiàn)要想組合預測模型的預測值精確度高，關鍵是如何求出權值。組合預測模型綜合考慮了三種單一的預測模型的優(yōu)點和缺點，然后將它們進行組合。換句話說組合預測模型的權值分配比例的原則是“誤差分配權重”，先對組合預測模型中的單一預測模型的預測值進行比例分析，再根據(jù)多種求權值的分配方法計算單一模型來的權重，在用組合預測模型計算出預測值，也就是確定它在下一個銷售預測中的比重。再根據(jù)預測誤差較小的預測模型，當它組合預測模型的權重分配，換句話說以后的預測量可以按照這種權重分配方法能適用，可以增加模型精度。綜合預測模型應用分析由于汽車整車銷售活動是一個由多種因素參與的復雜的活動，它的特點是具有高度的非確定性，所以很難確定那一個部分是線性，那幾個部分是非線性?；谶@種情況，本論文認為汽車整車銷量時間序列由線性和非線性兩部分混合組成，對于線性部分采用一種新型的組合預測模型，對于非線性部分則采用被廣泛應用且證明有良好精度的RBF神經(jīng)網(wǎng)絡進行預測。（3.2）式（3.2）是到這段時間內所要預測的汽車整車銷售量。是預測數(shù)據(jù)中線性部分的預測值，是預測數(shù)據(jù)中非線性部分的值，相當于誤差部分的預測。利用組合預測模型來構建線性部分，那么線性模型的誤差部分就是非線性關系，再用RBF神經(jīng)網(wǎng)絡來處理。由于任何固定的線性模型或者非線性預測模型都不能準確地預測出汽車整車銷售預測值，必然存在一定的誤差，所以在本論文中的綜合預測模型中，把線性部分的誤差看成是數(shù)據(jù)內部的非線性特性，即汽車整車銷售量序列是在線性序列的基礎上又疊加了非線性汽車銷售誤差序列。因此，令e表示t時刻的線性模型的誤差，也就是汽車整車預測模型中的組合預測模型得出的結果和歷史整車銷售量的差值。.5比較分析各種模型預測結果移動平均預測模型重要的就是確定移動時距，移動時距越長，整車銷售量長期趨勢表現(xiàn)的越明顯，但是歷史數(shù)據(jù)時間序列保留的項數(shù)越少；一般情況，可以從以下幾個方面確定移動時距：①根據(jù)收集的整車銷售的歷史數(shù)據(jù)個數(shù)的多少。數(shù)據(jù)比較多，移動時距可取得大些；反之，移動時距可取的小些。②對新數(shù)據(jù)反映程度。移動時距取得小，對新數(shù)據(jù)反映靈敏，但反應如果太靈敏，容易把意外情況看為某種趨勢。移動時距取得大，反映太慢，預測缺乏適應性；③觀察整車銷售歷史數(shù)據(jù)的時間序列是否有明顯的周期性波動。為了平滑周期性波動，使移動平均模型反映長期趨勢，可以用周期作為移動時距值，④專業(yè)銷售預測的人可以根據(jù)個人經(jīng)驗確定移動時距大小。3.3銷售模型實例分析本章采用一汽大眾的奧迪汽車整車銷售量為例進行建模。取2006年的過去銷售的月銷售數(shù)據(jù)(見表3.l)做擬合，計算出07年的月銷售量的預測，預測6個月間隔的銷售量。表3.12006年奧迪汽車的月銷售量：表3.2根據(jù)趨勢移動平均模型得到的、： 建立06年起的趨勢模型（3.3）取和，得（3.4）（3.5）所以趨勢線性模型為：（3.6）當時，，用移動平均模型預測2007年一月奧迪汽車銷售量。模型分析07年一月份預測銷售量為7225，實際銷售量是6900.說明有比較大的誤差。百分比誤差為0.136。因為模型存在兩方面不足。首先，模型需要輸入足夠的歷史銷售數(shù)據(jù)，數(shù)據(jù)不足導致誤差加大。因此運用此輸入法需要輸入大量歷史銷售數(shù)據(jù)。其次需要對歷史銷售數(shù)據(jù)進行權重分配，因為較近的數(shù)據(jù)對預測值影響較大，較遠的數(shù)據(jù)對預測值影響較小，所以較近的數(shù)據(jù)應給與更大的權重。移動平均預測模型對距預測值遠近數(shù)據(jù)同等對待。該移動平均模型對長期趨勢，循環(huán)波動預測效果較好。.1指數(shù)平滑模型的預測流程指數(shù)平滑模型的預測質量與平滑系數(shù)的合理選取緊密相關。平滑系數(shù)顯示了該模型隨整車銷售歷史數(shù)據(jù)變化的反應靈敏性，又顯示了該模型修正誤差的能力。在實際操作中，平滑系數(shù)的選取遵循以下三個原則：1，如果汽車整車銷售歷史數(shù)據(jù)的長期趨勢發(fā)生變化不大，可選取不大的平滑系數(shù)。（0.05到0.2）2，如果汽車整車銷售歷史數(shù)據(jù)變化緩慢，選取比較小的平滑系數(shù)以反映銷售歷史數(shù)據(jù)隨時間的變化程度。（0.1到0.4）按有近及遠的順序賦予緩慢變小的權值。3，如果汽車整車銷售歷史數(shù)據(jù)變化明顯，選取比較大的平滑系數(shù)~0.6）。.2實例分析下面對奧迪汽車06年整車銷售歷史數(shù)據(jù)做一次指數(shù)平滑和二次指數(shù)平滑。一次指數(shù)平滑表3.3根據(jù)指數(shù)平滑模型得到的、：取其中，為奧迪汽車05-09五年汽車銷售量的平均值。06年5月的一次指數(shù)平滑值為：（3.7）06年6月的一次指數(shù)平滑值為：（3.8）06年5月的二次指數(shù)平滑值（3.9）06年6月的二次指數(shù)平滑值（3.10）截距：斜率：所以，奧迪汽車銷量的長期趨勢預測模型是：預測07年，的汽車銷售量為：以下為回歸模型：因為大眾汽車公司05-09年汽車銷量波動較大，所以可以用06年的汽車銷量使用回歸模型來預測07年各月的汽車銷量。設，代表銷售量，代表影響銷售量的因素。a，b，c是回歸系數(shù)。表3.4根據(jù)回歸分析模型分析表：因為是7為奇數(shù)，取0604年為0，間隔期為1，則：求解系數(shù)如下。建立預測應用模型為：由以上公式，預測0608年的汽車銷量為：組合預測模型預測過程：1，確定權重若是汽車整車銷售量y的三個單一模型的預測值，那么，就是汽車整車銷售的一個組合預測模型。在這個組合預測模型中關鍵是確定三種單一預測模型的預測值在組合預測模型中的權重。權重有不同的獲得方法，主要思想還是取組合預測值誤差最小模型來作為組合模型，根據(jù)這個模型來取得三種單一預測方法的權重，根據(jù)權重來求預測值。本論文運用等權法、正態(tài)分布法、擬合優(yōu)度法三種組合方法對三種單一的預測模型進行權重組合。比較三種組合預測方法的誤差大小，比較出最優(yōu)的組合方法作為汽車整車銷售預測模型的組合預測模型。（1）等權分配所以，應用等權組合模型預測出來的結果為：。(2)擬合優(yōu)度分配標準誤差為歷史值與影響銷售量的因素值間的平方和的平均值的平方根。假設三個單一預測值的誤差為，則預測值的標準誤差：由于被預測值是不知道的，所以三種單一預測值的誤差也都不知道，也不能按上式求出標準誤差。但是能計算算術平均值，所以使用算術平均值來計算，計算公式為：（3.11）根據(jù)上式，計算出三種單一預測模型的標準誤差分別為：根據(jù)擬合優(yōu)度預測模型計算權值得：于是：所以組合預測出來的結果為：(3)正態(tài)分布分配計算權值得：所以組合預測出來的結果為：。3.5評估組合預測模型準確性在三種單一預測方法的基礎上，建立的組合預測模型，使用06、07年的歷史數(shù)據(jù)對08年整車銷售量的預測結果見表3.5：組合模型等權分配擬合優(yōu)度分配正態(tài)分布分配預測結果745974627616可以計算出這三種組合預測模型的標準誤差(見表3.6)：表3.6組合預測模型誤差估計結果：組合模型等權分配擬合優(yōu)度分配正態(tài)分布分配誤差估計通過上述說明可以發(fā)現(xiàn)：在對汽車生產制造商2008年汽車的月銷售量預測中，根據(jù)擬合優(yōu)度預測模型得出的權重分析，它構建的組合預測模型是三種組合預測模型中精度比較好的一種預測模型。所以本論文研究采用擬合優(yōu)度預測模型作為汽車整車銷售組合預測模型。3.6RBF神經(jīng)網(wǎng)絡預測模型的預測過程3.6.1數(shù)據(jù)預處理數(shù)據(jù)預處理是神經(jīng)網(wǎng)絡預測模型建立首先要解決的一個問題[43l，在汽車整車行業(yè)中可以把整車看作確定性非線性系統(tǒng)，也就是說內部的預測機制是確定的，整車銷售的歷史數(shù)據(jù)和其它信息蘊含著可用于預測未來的銷售量的信息。從預測上來說，存在一個函數(shù)（3.12）其中，e表示誤差的一部分的銷售預測值，其它表示內部變量，也就是影響銷售預測值的內部影響因素，所以預測的關鍵在于由汽車整車預測模型中的組合預測模型得出的結果和歷史整車銷售量的差值構造或者用一種方法逼近這一個抽象函數(shù)。在本論文中通過采用以上公式的形式，對汽車整車銷售量建立一個n維輸入，1維輸出的RBF神經(jīng)網(wǎng)絡預測模型。該模型通過銷售量歷史12個預測的銷售誤差數(shù)據(jù)，預測下一個月的銷售量的誤差數(shù)據(jù)，即針對已知的13個月銷售量誤差預測。針對已知的前十二個月銷售量的誤差值：，將這個值作為RBF神經(jīng)網(wǎng)絡預測模型的輸入，將e作為RBF神經(jīng)網(wǎng)絡預測模型在輸入的情況下的期望輸出。把銷售量誤差值組成一個時序序列，設這個誤差時序為：。那么我們可以這樣將其處理為RBF神經(jīng)網(wǎng)絡預測模型的訓練樣本集。3.6.2傳統(tǒng)的RBF神經(jīng)網(wǎng)絡預測模型的網(wǎng)絡中心的學習算法只適合于靜態(tài)的離線學習算法，即常規(guī)算法有效的基礎是事先必須獲得所有可能的樣本數(shù)據(jù)，不能用于動態(tài)輸入模型的在線學習算法，且在學習前輸入數(shù)據(jù)的中心個數(shù)(即RBF神經(jīng)網(wǎng)絡預測模型隱層單元個數(shù))要人為地確定。汽車整車銷售預測內部結構復雜，市場上對它的影響也比較大。同時，外部因素的多變性決定了對汽車銷售量誤差的預測的時變性很大，這樣銷售人員根據(jù)經(jīng)驗為常規(guī)算法確定隱層單元個數(shù)等參數(shù)就比較困難，針對這種情況，本論文選擇RBF神經(jīng)網(wǎng)絡徑向基函數(shù)的動態(tài)自適應聚類算法，該算法是一種在線適應聚類學習算法，它不需要事先確定聚類數(shù)，并且完成聚類所得到的RBF網(wǎng)絡是最優(yōu)的。3.6.3根據(jù)以上分析設計和說明，本論文按照以下步驟構造出一個用于計算汽車整車銷售量誤差的預測模型，即RBF神經(jīng)網(wǎng)絡預測模型的四大步驟：第一步：對汽車整車銷售歷史數(shù)據(jù)與組合預測模型得出的預測值之間的差值處理。第二步：計算RBF網(wǎng)絡隱含層的中心值。第三步：計算RBF網(wǎng)絡輸出層的權值。第四步：最后得出誤差預測值。3.7模型分析這里選取的是大眾汽車公司的汽車整車預測模型中的組合預測模型得出的結果和歷史整車銷售量的差值進行試驗，用前兩年的數(shù)據(jù)作為銷售歷史數(shù)據(jù)，對后一年中的各個月份的銷售誤差值進行預測。多次運行使得最后綜合預測模型的預測值，也就是組合預測模型和RBF神經(jīng)網(wǎng)絡預測模型得到的預測誤差值迭加和，得到比較好的擬合效果，在測試預測過程中發(fā)現(xiàn)該模型對于誤差的預測有很好的效果，目前該模型每次只有預測下一個月的預測量的誤差，在進一步完善聚類算法的研究工作中可以在此基礎上進行滾動預測，即把下一個月預測的結果同歷史銷售量數(shù)據(jù)一起作為模型的輸入，預測未來第二，第三個月的銷量誤差值可提高效率和實用性汽車整車銷售預測模型研發(fā)本論文設計實現(xiàn)一個針對汽車整車銷售月預測的模型，直接目標其原來的以手工操作為主的預測業(yè)務流程逐漸轉變?yōu)橐孕畔⒒癁橹鞯臉I(yè)務流程，使其能被大眾公司接受，提高整車銷售量預測質量，同時模型系統(tǒng)具有良好的兼容性和可擴展性。基于此目標及預測模型需求，本章對模型架構，功能模塊進行設計，并詳細闡述模型系統(tǒng)中預測輸出模塊，結果對比模塊的核心設計。4.1汽車整車預測模型設計思想銷售量預測模型系統(tǒng)在大量的往年的歷史數(shù)據(jù)的基礎上，把計算機神經(jīng)網(wǎng)絡技術、計算機數(shù)據(jù)庫技術、經(jīng)濟模型技術、人機交互技術等集成為一體。銷售量預測模型設計思想如下：1.根據(jù)時間序列模型分析原理，將歷史汽車整車銷售量的數(shù)據(jù)序列：(t=1,2,3,4…N,N表示序列的長度)分為線性部分和非線性部分。即模型為：其中：是t-1到t這段時間內所要銷售預測的汽車數(shù)量。凡是銷售數(shù)據(jù)中線性部分的組合預測值，只是銷售數(shù)據(jù)中非線性部分的預測值，也就是殘差部分的預測。2、組合預測模型對汽車整車銷售量預測的線性部分進行了預測，RBF神經(jīng)網(wǎng)絡預測模型對汽車整車銷售量預測的非線性部分進行了預測，所以汽車銷售預測模型是一種綜合預測模型。3、組合預測模型采用定性預測與定量預測相結合的方法進行預測。定性預測應用德爾菲法預測模型，定量預測應用三種單一預測模型，即移動平均預測模型，回歸分析預測模型和指數(shù)平滑預測模型。4、為了達到較高的擬合度，公司高層需要憑借自己的經(jīng)驗和判斷分析能力，不斷調整預測模型的輸入?yún)?shù)，比如移動時距，平滑系數(shù)等。因為汽車在實際銷售過程中存在諸多不確定性因素。4.2汽車整車預測模型總體框架先使用移動平均預測模型，回歸分析預測模型和指數(shù)平滑預測模型三種單一模型對汽車歷史銷售數(shù)據(jù)序列進行預測。再對這三種模型進行權重分配，得到組合預測值。利用歷史數(shù)據(jù)與組合預測值之間的差值作為輸入，得到RBF神經(jīng)網(wǎng)絡預測模型的預測值。將該預測值與組合預測值迭加得到綜合預測模型的預測值。對如果決策者不滿意，再進行重新預測。直到滿意為止。最后得到最終預測值，預測值和原值較高的擬合程度。圖4.1汽車整車銷售模型圖4.3汽車整車銷售預測模型系統(tǒng)主要模塊實現(xiàn)汽車整車銷售預測模型系統(tǒng)由三大模塊組成。分別是整車銷售歷史數(shù)據(jù)輸入模塊、預測輸出模塊、預測結果擬合模塊。圖4.2綜合預測模型模塊圖1、數(shù)據(jù)輸入模塊由歷史數(shù)據(jù)輸入模塊和參數(shù)設定兩模塊組成。歷史數(shù)據(jù)輸入模塊里的起始時間對整個銷售預測模型非常重要。因為預測模型是以某一段歷史銷售數(shù)據(jù)時間序列為基礎建立的，而起始月份確定了這段序列的開端。參數(shù)設定模塊包括預測月份，移動時距，平滑系數(shù)。知道了預測模型的起始時間和預測月份就確定了一段歷史銷售時間序列。這段時間序列數(shù)據(jù)是某經(jīng)銷地區(qū)歷史銷售數(shù)據(jù)的一部分。它是整個銷售預測模型的基礎。eyueexitongnlg類完成參數(shù)設定，CYueexitongDlg類中Initeombolist()函數(shù)實現(xiàn)選擇起始時間。onPaint()函數(shù)實現(xiàn)顯示原始數(shù)據(jù)2、預測輸出模塊顯示綜合預測值。它是整個模型的核心和關鍵，由線性部分輸入和非線性部分輸入兩部分組成。根據(jù)數(shù)據(jù)輸入模塊里的歷史銷售數(shù)據(jù)和設定參數(shù)，輸出預測值。先通過三種單一預測模型包括移動平均模型，指數(shù)平滑模型和回歸分析模型輸出三個預測值。由三個模型預測值誤差所占比例確定三個模型在組合預測模型中的權重。從而得到組合預測模型的預測值，即線性部分的輸入。非線性部分輸入由RBF神經(jīng)網(wǎng)絡模型得到。最后將線性部分輸入和非線性部分輸入相加，得到綜合預測模型的預測值。這部分模塊用幾個類來實現(xiàn)，CCProdictResult類預測幾種預測模型，把幾種預測模型的計算封裝在一個CZuhemode類中，計算移動平均預測模型、指數(shù)平滑預測模型、回歸分析預測模型、線性組合預測模型、綜合預測模型。cshowGraPhResaull類對比各種預測模型的原始數(shù)據(jù)和預測數(shù)據(jù)。CRadiaBasisNetwork類預測RBF神經(jīng)網(wǎng)絡模型。3、預測結果擬合模塊通過從預測輸出模塊得到的一列綜合預測模型預測值，對原始數(shù)據(jù)進行擬合。CResultNIHe類實現(xiàn)對最后綜合模型的結果擬合。CCProdictResult類顯示原始數(shù)據(jù)。4.4汽車整車銷售預測模型的應用軟件的實現(xiàn)數(shù)據(jù)輸入界面：數(shù)據(jù)輸入包括參數(shù)設定和原始數(shù)據(jù)選擇兩部分。從數(shù)據(jù)庫中選擇某一個地區(qū)的月銷售歷史數(shù)據(jù)，作為一個數(shù)據(jù)源。圖4.3銷售量預測數(shù)據(jù)模型選擇界面2)模型參數(shù)設定的界面如圖4.4所示，在界面的左上角的空白處輸入三個單一預測模型需要的參數(shù)。在界面右上角輸入起始銷售年份和起始銷售月份。根據(jù)移動時距的數(shù)值，確定顯示的原始數(shù)據(jù)。圖4.4銷售量預測模型預測輸入界面單擊圖4.4銷售量預測模型數(shù)據(jù)輸入界面的顯示結果按鈕，彈出圖4.5銷售量預測模型數(shù)據(jù)輸出界面。再分別單擊上面的三個顯示按鈕，顯示三個單一預測模型的預測值。單擊權重分配按鈕，對這三個預測值進行權重分配，得到線性組合模型的預測值和非線性組合模型的預測值。單擊下方的顯示按鈕，得到綜合預測模型預測值。圖4.5銷售量預測模型預測輸出界面輸出預測后臺處理：第一步：根據(jù)汽車整車歷史銷售數(shù)據(jù)和設定的參數(shù)，應用移動平均預測模型，指數(shù)平滑預測模型和回歸分析預測模型，得到三個預測值。并將這三個值與原始數(shù)據(jù)對比。第二步：根據(jù)這三個值與最末的銷售量進行比較，得出三個值的權重系數(shù)，進而得到線性組合預測模型的預測值。第三步：由RBF神經(jīng)網(wǎng)絡預測模型得到非線性部分的預測值。第四步：將線性組合模型的預測值和非線性組合模型的預測值相加得到綜合預測模型的預測值。4.5權值分配本論文的權重分配是按照擬合優(yōu)度預測模型得出的權重分析，根據(jù)三個不同的單一的預測模型的預測值作為組合預測模型的三個參數(shù)值，根據(jù)圖4.6的比例對三個不同的預測值進行分配，確定權重系數(shù)，最后根據(jù)組合預測模型得出線性部分的值。4.6預測結果擬合模塊設計預測結果擬合界面包括汽車整車銷售歷史數(shù)據(jù)界面和預測結果擬合圖表界面。此模塊主要是對根據(jù)前面的預測輸出中汽車整車銷售歷史銷售量的綜合預測值，由此建立一個綜合預測模型，以后的每年中的每一個月的銷售量的預測都可以按照這個預測模型進行擬合。圖3.6是顯示沒有經(jīng)過綜合預測模型預測的歷史數(shù)據(jù)，從這個數(shù)據(jù)顯示圖上可以看出汽車整車銷售歷史銷售量是一個非線性的歷史銷售數(shù)據(jù)，雖然是非線性的數(shù)據(jù)，但是從整個數(shù)據(jù)來看發(fā)現(xiàn)其中有一個長期趨勢。圖4.6擬合之前的原始數(shù)據(jù)顯示界面圖4.7顯示的是一個結果擬合效果圖，可以從這個結果擬合效果圖中發(fā)現(xiàn)擬合效果比較好，一條線表示歷史銷售數(shù)據(jù)，一條線表示通過綜合預測模型得出的預測值。這個擬合在一定程度上模擬了汽車整車銷售的變化趨勢，因為在預測算法的選擇上有一定的差異，所以可以看出還是有一定的誤差。圖4.7結果擬合界面重新預測是一種預測比較方法。它用一線銷售人員根據(jù)自己經(jīng)驗的定性預測方法得出的預測值與通過模型預測的結果進行比較，更精確得出預測值的方法。4.7測試環(huán)境4硬件環(huán)境電腦的硬件配置主要由開發(fā)軟件決定的。本汽車整車銷售預測軟件不需要很高的配置。配置低的情況下，軟件可以正常運行。但配置如果高的話，軟件運行更好。下面為系統(tǒng)開發(fā)的硬件環(huán)境：CPU：Pentium11以上：硬盤空間：600M顯卡：支持DirectX顯卡內存：128MB4軟件環(huán)境操作系統(tǒng)：WindowsXP開發(fā)環(huán)境：MierosoftVisuale++6.0及SQLServe20os4測試步驟對本汽車預測模型測試步驟如下：在銷售預測參數(shù)設定界面上填寫預測月份數(shù)、移動時距、平滑系數(shù)、選中起始原始時間。點擊數(shù)據(jù)參數(shù)設定的確定按鈕，開始搜集預測時需要的歷史數(shù)據(jù)。以不同預測月份數(shù)、移動時距、平滑系數(shù)、起始時間來計算最后的預測結果，查看組合預測模型預測值，和原始的銷售數(shù)據(jù)的擬合程度。根據(jù)組合預測模型的預測值計算出綜合預測值，測試擬合程度點擊重新預測按鈕，重新輸入預測月份數(shù)、移動時距、平滑系數(shù)、起始時間。點擊退出按鈕，退出整個模型的預測。這說明在預測月份數(shù)的選擇上一定要保持一定量的歷史數(shù)據(jù)，才能預測出值。移動時距參數(shù)設置低于O移動時距是消除偶然因素對時間序列的影響，所以在移動平均模型中移動時距不能為O的，如果為O，預測模型為出現(xiàn)提示平滑系數(shù)參數(shù)設置低于O。指數(shù)平滑法中的平滑設置一種非統(tǒng)計性的預測設置，其依據(jù)的基本原則是：“厚今薄古”，即越靠近當前的歷史數(shù)據(jù)對當前的預測數(shù)據(jù)影響愈大，所以分配的權值就越大。如果設置的平滑系數(shù)為O使，這種權重分配就沒有意義，也就是給每一個原始數(shù)據(jù)同等的權值。所以預測模型會出現(xiàn)提示預測月份數(shù)小于移動時距如果預測月份數(shù)小于移動時距，說明所采集的歷史數(shù)據(jù)不能夠給移動平均法，和指數(shù)平滑足夠的數(shù)據(jù)進行趨勢預測，所以如果預測月份數(shù)小于移動時距預測模型會提示退出預測模型。結論本文分析了汽車整車銷售預測模型的需求和特點，通過對原始預測數(shù)據(jù)的移動平均法，指數(shù)平滑法，回歸分析預測法等預測技術的深入研究，采用移動平均法，指數(shù)平滑法，回歸分析預測法三個單一的預測模型來構建成一個組合預測模型，基于整車銷售歷史數(shù)據(jù)可以分成線性和非線性兩個部分，設計組預測模型和RBF神經(jīng)網(wǎng)絡預測模型相結合的綜合預測模型，完成了對汽車整車的未來銷售量的預測的模型開發(fā)工作，并在2006年到2008年的銷售量內對預測模型進行了測試，該模型可廣泛用于汽車銷售的各種因素的預測應用中。本文主要完成的工作如下：（1）采用三種單一的預測算法來分別預測銷售量，對其中移動平均算法，指數(shù)平滑法，回歸分析預測法的算法流程進行分析，結合開源代碼進行封裝，將其添加到系統(tǒng)框架中完成預測模型的單一預測功能。（2）基于對組合預測模型方式的分析，對組合預測模型的組合方式選擇，對它的權值的確定進行分析，對組合預測模型設計與開發(fā)，（3）對三種預測方法的優(yōu)點和缺點進行了組合預測模型的預測設計，使得能夠對三種預測方法取長補短。其中對組合預測模型的選擇進行了詳細的描述。（4）本文在搭建汽車整車銷售預測模型前，深入分析整車銷售時間序列數(shù)據(jù)的特點，給出了線性性和非線性特點，基于這種特點設計組合預測模型和RBF神經(jīng)網(wǎng)絡預測模型建立了完整的銷售預測模型，實現(xiàn)了對整車歷史數(shù)據(jù)以后的時間間隔的銷售量的預測。2.汽車整車銷售預測模型前景該模型具有廣闊的發(fā)展前景。其汽車整車銷售預測模型軟件可重用性強，主要預測以模塊的形式存在，進行升級時只需要更新模塊，避免整個汽車整車預測模型代碼的更新。但是隨著以后研究的