谢鑫鑫， 朱从坤

（苏州科技大学 土木工程学院，江苏 苏州215011）

在社会倡导绿色出行，国内公共交通系统不断完善的背景下，基本型乘用汽车销量目前呈现慢增长趋势。 同时，基本型乘用型汽车销售量受宏观经济环境、消费政策、消费者收入水平等因素的影响较大，具有非线性和波动大的特点，这就要求汽车生产企业能较精准地预测未来汽车销量，从而为企业的材料采购、生产和营销策略等的决策提供指导依据[1]。 时间序列是指将某一个统计指标或现象在不同时间上的各个数值，按时间先后顺序排列而形成的序列[2]。 由于国内基本型乘用汽车销量月度数据呈现的明显非线性、非平稳性，其可以看作为以月份为刻度，当月销量为统计值的时间序列。 因此研究汽车销量月度数据形成的时间序列，并且建立时间序列预测模型，可以预测未来基本型乘用型汽车销售量。

预测时间序列的算法模型大体可分为线性回归模型、神经网络模型、支持向量机模型和自回归差分移动平均模型等等[3]。 线性回归模型可以对波动较平稳且有规律的时间序列进行很好的预测，但当时间粒度较小，或者历史数据具有较大波动性时，预测精度会大大降低，因此该模型适用于序列波动情况小，预测时间粒度较大的研究对象；神经网络算法预测精度高，但容易陷入局部最优值，且稳定性差，收敛速度水平较低，网络泛化能力较弱，需要收集大量类型数据来标定输入层和各隐藏层的参数，应用复杂；……