汽车销量预测数学模型
我国新能源汽车销量预测的数学模型研究
我国新能源汽车销量预测的数学模型研究随着环保意识的不断提高以及能源紧缺的问题日益突出，新能源汽车作为替代传统燃油车的重要选择，逐渐得到了人们的广泛关注和认可。
然而，新能源汽车市场的快速发展也面临着一些问题，如销量波动大、市场份额低、价格高等，因此，为了更好地推动新能源汽车产业的发展，需要对其销量进行预测和研究，制定出更加科学合理的发展策略，而数学模型的应用将有助于更准确地预测新能源汽车的销量。
一、新能源汽车销量预测的数学模型1. 多元线性回归模型多元线性回归模型是利用多个自变量来预测一个因变量的方法，通过对各项因素进行分析，构建数学模型，来预测新能源汽车的销售量。
其中，自变量可能包括新能源汽车的价格、政府补贴政策、消费者购买能力、市场竞争等因素，因变量即为销售量。
该模型能够比较准确地预测新能源汽车销量，但需要对各项因素进行较为全面的调查和分析，还需要考虑各因素之间的相关性。
2. 时间序列模型时间序列模型是将某一变量在一段时间内的变化情况作为因素，对未来该变量的变化趋势进行预测的方法。
新能源汽车销量的时间序列模型通常是基于历史销量数据，通过对其进行趋势分析、季节性分析和循环性分析，来预测未来销量的增长趋势。
该模型需要较长的数据时间跨度，同时需考虑未来政策变化、市场竞争等因素对销量的影响，以保证模型的准确性。
3. 神经网络模型神经网络模型是一种基于人工神经网络的预测方法，通过对神经网络进行学习和训练，将历史销量数据作为输入，预测未来销量的变化。
该模型具有自学习、自适应、非线性等特点，能够对复杂的销量变化趋势进行预测，但需要大量的历史数据进行训练和预测，同时需要对神经网络的设置和参数进行调整和优化。
二、数学模型在新能源汽车销量预测中的应用新能源汽车销量预测的数学模型在实际应用中能够为政府和企业提供有价值的参考，对推动新能源汽车产业的发展有着重要的意义。
首先，数学模型能够提供科学的预测结果，帮助政府和企业制定出更加科学合理的发展策略。
汽车销量预测
中美汽车销量预测王颖硕 B33北京交通大学摘要本文的目的在于预测未来中美的汽车销量，使用的是统计学中回归的方法。
在预测中考虑到了GDP，新房销售量，人口，平均收入，以及股票市场的指数（美国使用的是道琼斯指数，中国使用的是沪市指数）五个因素对汽车销量的影响。
文章的第一部分，首先对两国汽车销量分别与五种因素进行一元回归。
这样在同一因素下，就可以通过调整的R Square统计量对比，找出统一因素对两国影响度不同的原因。
文章的第二部分则是对汽车销售量进行最后的整体预测。
得出，未来汽车销量的回归方程。
最后，通过预测的过程中遇到的问题，来比较中美经济发展的不同。
关键词回归；汽车销量预测；发展正文1.问题的提出几十年前，能看见一辆私家车在街上跑，那绝对是稀罕事。
而今天，随着人们生活水平的提高。
汽车渐渐的走入了我们的生活之中。
在街上跑着一辆汽车不再大惊小怪。
而现在，我们面对的是一再的堵车。
而与美国相比，几十年前，大街上就开始了汽车的飞驰，而今天，技术的发展，经济的增长，美国的汽车销量又面临着一种怎么样的状况呢？我们引入了GDP，新房销售量，人口，平均收入，以及股票市场的指数五个因素，来分析这些因素对汽车销量的影响，并且对比这些因素在两国之间所起作用的大小，并找出原因。
2.因素分析2.1GDPGDP是衡量一个国家生产能力的标准，所以我们引入GDP来对汽车销量进行回归预测。
使用GDP作为自变量，汽车销量为因变量为做一元线性回归。
我们得到：(上图为中国，下图为美国)回归统计中国美国Multiple R 0.959187 0.565703R Square 0.920039 0.32002Adjusted R Square 0.914709 0.289111标准误差72687.3 1041295观测值17 24我们从图表中可以得出，中国的R Square与美国的R Square=0.32相比，高达0.92。
这不禁让我产生了疑问，为什么一元回归中，中国GDP拟合程度这么高。
销量预测常用方法
销量预测常用方法销量预测常用方法引言：销量预测是企业在制定生产计划、库存管理和市场策略时的重要依据。
准确的销量预测可以帮助企业降低成本、提高效率，并做出合理的商业决策。
在过去的几十年里，随着技术的发展，销量预测方法也得到了不断的改进和创新。
本文将介绍几种常用的销量预测方法，从简单到复杂，帮助读者更好地了解销量预测的原理和应用。
一、移动平均法移动平均法是一种简单而常用的销量预测方法。
它基于过去一段时间内的销量平均值来预测未来的销量。
具体的计算方法是将过去几个周期（如月份或季度）的销量数据加总，然后除以周期数得到平均值。
移动平均法适用于销量波动比较平稳的产品，但对于销量波动较大的产品可能会出现滞后效应，预测结果不够准确。
二、指数平滑法指数平滑法是一种基于加权平均的销量预测方法。
它假设未来的销量受到过去销量的影响，但是以指数递减的方式，近期的销量对预测结果的影响更大。
指数平滑法通过设定平滑系数来确定过去销量对预测结果的权重，系数越大则过去销量的影响越大。
指数平滑法适用于销量波动较大、有季节性变化的产品，但是对于销量波动较小的产品可能会出现滞后效应。
三、趋势分析法趋势分析法是一种基于时间序列分析的销量预测方法，在移动平均法和指数平滑法的基础上加入了趋势因素的考虑。
它通过拟合销量数据的趋势线来推断未来的销量变化趋势，并据此进行预测。
趋势分析法适用于销量呈现出明显的趋势性变化的产品，能够更准确地预测未来的销量走势。
然而，趋势分析法对于销量波动较大或者受到季节性因素影响较大的产品，预测结果可能受到较大的误差。
四、回归分析法回归分析法是一种广泛应用于销量预测的统计方法。
它基于历史销量数据和其他影响因素（如市场规模、价格、促销活动等）之间的关系建立数学模型，从而预测未来的销量。
回归分析法可以考虑多个变量对销量的影响，能够更全面地解释销量的变化。
然而，回归分析法的建模需要大量的历史数据和对影响因素的准确度把握，同时对数据处理和模型参数选择也有一定的要求。
汽车产销量预测模型研究
汽车产销量预测模型研究近年来，汽车产销量一直是汽车行业最重要的指标之一。
对于汽车制造商和销售商来说，准确地预测汽车产销量对于制定合理的生产计划和销售策略至关重要。
因此，研究汽车产销量预测模型成为了一个备受关注的课题。
汽车产销量受到多种因素的影响，包括经济因素、金融因素、市场竞争和消费者购买意愿等。
因此，建立一个准确预测汽车产销量的模型是非常复杂的。
近年来，随着大数据和人工智能技术的不断发展，研究者们开始尝试使用这些先进的技术手段来构建汽车产销量预测模型。
首先，构建汽车产销量预测模型的第一步是数据收集和处理。
研究者们需要收集各种与汽车产销量相关的数据，并对数据进行预处理，包括数据清洗、数据整合和数据转换等。
例如，他们可以收集每个月的汽车销售数据、经济指标、金融数据和市场竞争数据等。
其次，研究者可以使用统计分析方法来探索这些数据之间的关系。
他们可以使用相关性分析、回归分析和时间序列分析等统计方法来了解不同因素对汽车产销量的影响程度。
通过这些统计分析，可以确定哪些因素对汽车产销量具有较大的影响。
然后，研究者可以使用机器学习算法来构建汽车产销量预测模型。
机器学习是一种通过训练算法来使计算机从数据中学习并进行预测的方法。
在汽车产销量预测中，可以使用监督学习算法，如线性回归、决策树、支持向量机和神经网络等。
这些算法可以通过输入历史的汽车产销量数据和其他相关数据来训练模型，并在训练后用于预测未来的汽车产销量。
不仅如此，研究者们还可以利用时间序列分析来进行汽车产销量的预测。
时间序列分析是一种通过研究时间上变化的数据来预测未来数值的方法。
在汽车产销量预测中，可以利用历史的汽车产销量数据来分析其时间趋势、季节性和周期性等规律，并基于这些规律进行未来的产销量预测。
此外，在构建汽车产销量预测模型时，还需要考虑到模型的评估和优化。
研究者们可以使用交叉验证等方法来评估模型的预测准确度和稳定性。
如果模型的预测效果不理想，他们可以尝试调整模型的参数或改变模型的结构来优化模型的性能。
汽车销量预测数学模型
汽车销量预测模型一、摘要本小组利用网络收集2001到2011年汽车销售的数据，分析影响汽车销量的因素，用excel软件对这些数据进行处理分析，再用matlab软件分别做出乘用车年销售量、商用车年销售量、汽车年销售总量拟合的方程。
方法一是：乘用车、商用车年销售量的方程相加得出汽车年销售总量；方法二是：直接利用2001到2011年汽车年销售量的数据用matlab软件拟合得出模型方程。
最后把两种方法得出的结果进行对比。
二、问题重述汽车年销量是指一年卖出的汽车数量，总销量是乘用车和商用车两者销量相加。
汽车未来的销量数据对汽车行业制定未来生产规划有着重要的意义。
请你根据我国以往汽车销量（总销量或乘用车销量）的数据，用数学建模的方式预测未来5年中国汽车年总销量或年乘用车销量的增长速率。
三、问题分析在国际标准中，汽车分为两类，即乘用车和商用车。
乘用车是在设计和技术特性上主要用于在科技及其随身行李和/或临时物品的汽车，包括驾驶员座位在内最多不超过9个座位，它也可以牵引一辆挂车。
乘用车分为普通乘用车、活顶乘用车、高级乘用车、小型乘用车、敞篷车、仓背乘用车、旅行车、多用途乘用车、短头乘用车、越野乘用车、专用乘用车、旅居车、防弹车、救护车等，前6种乘用也可俗称轿车。
商用车是在设计和技术特性上用于运送人员和货物的汽车，并且可以牵引挂车。
商用车分为客车（包括驾驶员座位在内的座位数超过9座的车辆，客车有单层的或双层的，也可牵引1个挂车。
客车有细分为小型客车、城市客车、长途客车、旅游客车、铰接客车、无轨客车、越野客车、专用客车）、半挂牵引车、货车（货车又细分为普通货车、多用途货车、全挂牵引车、越野货车、专业货车和专用货车）三大类。
影响汽车销量的主要因素有：人口增长、政府的相关政策、经济的发展水平。
所以建立模型时将这些影响因素假设为在未来五年是相对稳定的。
四、模型假设1.中国社会在未来五年内保持相对稳定，不发生突发性事件导致社会动乱。
汽车销售预测模型及案例
汽车销售预测模型一预测模型1 影响因素确定综合国内外学者对汽车市场影响因素的分析成果，我们挑选出具有代表意义的因素，作为汽车市场需求结构方程模型的假设因素。
宏观经济，购买力，能源供应，交通建设，这四项汽车市场的影响因素作为结构方程模型的潜变量；对应于每个潜变量，分别设置数目不等的观测变量作为指标。
它们分别是：人均GDP、社会固定资产投资、人均可支配收入、城镇居民年底存款余额、石油产量、钢材消耗量、公路里程、高速公路里程。
同时对于因变量汽车需求，定义3个与之对应的可观测变量。
分别是汽车保有量，汽车产量和汽车销量。
对这5个潜变量和11个可观测变量分别以字符表示，得到结构方程模型因子表（如表1）。
2 数据的来源与预处理作者收集了1996至2005年人均GDP、社会固定资产投资、人均可支配收入、城镇居民年底存款余额、石油产量、钢材消耗量（汽车工业）、公路里程、高速公路里、汽车保有量、汽车产量和汽车销量这11个观测变量的原始数据，得到原始数据表（如表2）。
其数据均来源于国家统计局官方网站和汽车工业协会出版的汽车年鉴，完全真实可靠。
在对原始模型评价与修正前，根据原始数据计算出各个指标之间的相关系数，其计算公式为：利用上述公式计算11个因子两两间的相关系数，最后得到原始的协方差矩阵（如表3）。
3 汽车市场需求结构方程原始模型根据理论分析，假设4个潜变量：宏观经济，购买力，能源供应，交通建设，分别对应其可观测潜变量：人均GDP、社会固定资产投资、人均可支配收入、城镇居民年底存款余额、石油产量、钢材消耗量、公路里程、高速公路里程。
而汽车需求则对应于汽车保有量，汽车产量，汽车销量三个指标。
同时，这11个指标只能对应一个潜变量。
这样就得到了测量模型。
再假设宏观经济，购买力，能源供应，交通建设分别作用于汽车需求，这样得到了结构模型。
将测量模型和结构模型联系起来，就得到汽车市场需求的原始结构方程模型（如图1）。
图1 汽车市场需求的原始结构方程模型图4 汽车市场需求结构方程模型的分析与优化运用Lisrel软件分析原始模型，根据输入的与原始的协方差矩阵和模型的路径，用一定的数学方法找到另一个相关矩阵，这个矩阵既符合模型，又在某种意义上与原始的协方差矩阵最接近。
计量经济学案例
计量经济学案例计量经济学是经济学的一个重要分支，它运用数理统计和数学工具来分析经济现象，验证经济理论和检验经济政策的有效性。
在实际应用中，计量经济学常常通过案例研究来展示其理论和方法在解决实际问题中的应用。
下面，我们将通过一个实际的案例来说明计量经济学的应用。
某国家的一家汽车制造商希望了解汽车价格与销量之间的关系，以便制定合理的定价策略。
为了研究这一问题，他们收集了过去几年的汽车价格和销量数据，并进行了分析。
首先，他们利用计量经济学中的回归分析方法，建立了汽车价格和销量之间的数学模型。
在这个模型中，销量是因变量，而价格是自变量。
通过回归分析，他们得到了汽车价格对销量的影响程度，以及其他可能影响销量的因素。
接着，他们进行了统计检验，验证了他们建立的数学模型的有效性。
通过检验结果，他们确认了汽车价格对销量的影响，并排除了其他因素对销量的影响。
这为他们制定合理的定价策略提供了重要的依据。
最后，他们利用建立的数学模型，进行了一系列的预测和模拟。
他们可以通过调整汽车价格，来预测不同定价策略对销量的影响，以及对企业利润的影响。
这些预测和模拟结果为企业提供了重要的决策参考。
通过这个案例，我们可以看到计量经济学在实际应用中的重要性和价值。
它不仅可以帮助企业了解市场和消费者行为，还可以为企业决策提供科学的依据。
当然，计量经济学的方法和工具不仅局限于汽车制造业，它在其他行业和领域也有着广泛的应用。
总之，计量经济学案例的研究对于理论的验证和实证分析都具有重要的意义。
通过实际案例的研究，我们可以更好地理解计量经济学的方法和工具，以及它们在解决实际问题中的应用。
希望这个案例能够给大家带来一些启发，也希望大家能够更加重视计量经济学的学习和研究。
基于灰色模型与指数平滑法对未来汽车销售数额的预测
基于灰色模型与指数平滑法对未来汽车销售数额的预测摘要：总所周知的，预测汽车的销售量，无论是对于整体的掌控汽车市场的发育与成长态势的政策制定者，还是对于研究市场行情以制定营销策略的汽车厂商而言，都具有极其重要的作用。
我们根据题中所给的历史以来的销量数据，利用灰色模型GM（1，1）根据长期趋势性和周期性，通过灰色预测算法dx/dt+ax=u，x（k+1）=（x⑴-u/a）e+u/a。
对问题进行编程并带入16年和17年的数据进行迭代运算对汽车销量即时间序列的未来值进行数学建模分析预测，然后利用指数平滑法对各个数据进行加权处理，并可利用此对原方法进行优化改进。
根据“最近数据对未来数据影响大，远古数据反之”的特点，且前灰色预测出来的函数图像为曲线增长的模式，则利用三次指数平滑预测公式，yt+1’=yt’+a（yt- yt’），yt+m=（2+am/（1-a））yt’-（1+am/（1-a））yt=（2yt’-yt）+m（yt’-yt）a/（1-a）求解关键词：汽车销量；灰色预测；指数平滑法一、模型的建立首先，我们根据以往几年的数据想要求得2018年的预测数据并希望其理论真实值比较可靠，在某种程度上会持续到未来，所以将较大的权数放在最近的资料。
从而得到2018年的预测数据以及图像。
其次，光是得到2018年的预测数据是不够的，我们希望能够得到以后几年的预测数据，而灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。
同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据gm（1，1）模型所得到的预测值的逆处理结果。
故利用灰色预测模型对往几年的数据进行拟合，并可根据往几年的数据对以后几年进行预测计算，从而得到比较可靠的问题解决。
在第一种方法中，对于指数平滑法，时间从2000年到2017年。
并分别用一次二次三次指数平滑进行远古数据拟合，观测得到最合理的一个，并对此基础上求得2018年的营销数据。
某品牌轿车销量的Logistic模型理论的分析
合商品销售的一般规律的， 原因在于该品牌
前最为常用的数学模型之一。
后， 厂家及销售企业的广告等其他市场营销
手段 的投 入 ， 轿 车 的销 量开 始 逐 步 增 长 ， 该
３汽 车销 售 的阻 滞模 型推 导 ．
２ 阻滞增 长模型 的 实际运 用
设 某 一４ 店 引 进Ａ品牌轿 车 销 售 ， 新 Ｓ 在
则有 ｘｔ－ ｏ。 （ ÷ｏ 其含义是， ） 当Ａ品牌轿车的
存在着某个 时期 ， 汽车销量 会逐渐下 该 间有关， 伴随着时间的变化整体销量也随之 广告投入 的深入， 销量在逐步提 升， 时间 言 ， 在ｔ 滑， 此时汽车生产企业会采用限产甚至的停 变 化 ； 次 ， 间 与销 量 之 间 存 在 着变 化 关 内业 已售出ｘ ｔ ， 其 时 （ 辆 与此 同时 ， ｓ ） 在４ 店陈列 系 ， 在 实 际 的 销售 过程 中， 们 很难 找 到 的Ａ品牌轿车在单位时间内平均可以吸引ｍ 产 的 方式 逐步 引导 该 型 汽车退 出市场 。 但 我 如果我们假设 Ａ品牌轿车 的市场最大 与 之相 对 应的 直接 函数 关 系 ， 多采 用微 分 个 消 费者 。 大 记为Ｍ 时， 此 Ａ品牌轿车的 方程的形式体现两者的变化。 我们 以此｛ ３Ａ轿车销售的数学模型的 容量是存在的， ／９ Ｆ 根 据 １９ 年 英 国科 学 家 马 尔 萨斯 在 其 已知 。 ７８ 销售方程与 阻滞增 长模型相 同。 时刻Ａ 当ｔ 随着 时间的推移 ， 在未来Ａｔ 时间内， 也 品牌轿车的销售量为ｘｔ， （ 那么其潜在购 ） 程与商品的销售过程有相似之处 ， 它们都随 即在Ａ品牌轿车从投放市场 至某个预 期未 买顾客的人数大致为Ｍ— （ ， ｘｔ 我们可以认 ）
（＝ ， ０ ０但此时ｘｔ ０ 显然， ） （＝ 。 ） 这是不符
最小二乘法在汽车销售量预测中的应用
Ｉｉ （＋… ） 昔 时 ＋ ： ： ｏ
整理得：
ｆ ・ Ｉ ・ 。
法简单明了， 比较适合企业在进行预测产品产 ｘ，２…，ｍ 。 【 Ｘ 与Ｙ之间 ）， 存在的线性关系， 得到 量时作为参考， 从而能够避免盲目的生产和经 ｎ 元线性预测公式： 营， 尽可能地为企业获得最大利润， 以减少不 必要的损失。
中图分类号：２１ 文献标识码： Ｆ０ Ａ 收录日期：０２ ２１ 年３月２ ２日
在经济关系中， 某一指标Ｙ往往与多个因 素Ｘ ， ， ｘ 有关， 。 …， 如果这种关系具备一定
￣ ［（ｍ … ］１ ｙａ ・ ＋ （＝ ｒ － －０ ｅ ａ ）
．
＿
我们就可以利用多元回归分析 对产品销量进行预测是进行经济决策活 的线性相关性， 假设， 我们令 ＹＸ向量分别 、 动的一个重要组成部分。 运用定量预测模型对 来处理这组数据。
原理。 因为不能利用总体回归方程进行参数估
ｍＳ ∑ ［ （ ａｌ ＋・ｍ ］ 拟合效果和显著性进行相关检验。 ｉ： ｙ ａ Ｉ ．ａ ｎ ｉ ０ｘ 一 ＋ｉ ． ｘ ＋ ＋ 相关系数是
ｉ＝ １
６ 为了说明这个方法， 先解释一下最小二乘 （）
和∑（一ｉ 不能反映总体偏差的 ｙＹ 并 ； ） 大小， 而∑
并利用最小二乘法建立线性回 归预测 模型， 选
择合适的拟合曲线， 对汽车销售量走势进行预
测。
Ｊ ｌ 上理来 比繁， 通 ） 数 处起也较杂 以常 ｒ 学 ｉ — 所
…
（） ２式中：： ｅ 是残差， 等于真实值 Ｙ减去估 令偏差平方和∑ｅ为 最小。显然， ｉ 偏差平方和
， 对 ｏ ，， 计 ； 因 为 使 差ｅ 可 的 ， 需 随ａ ａ ，Ⅲ 值 此， 了 残 能 小 就 ｏ ” ａ 的变化而取不同的值， ａ ａ 。 尽
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
汽车销量预测数学模型 Prepared on 22 November 2020
汽车销量预测模型
一、摘要
本小组利用网络收集2001到2011年汽车销售的数据，分析影响汽车销量的因素，用excel软件对这些数据进行处理分析，再用matlab软件分别做出乘用车年销售量、商用车年销售量、汽车年销售总量拟合的方程。
方法一是：乘用车、商用车年销售量的方程相加得出汽车年销售总量；方法二是：直接利用2001到2011年汽车年销售量的数据用matlab软件拟合得出模型方程。
最后把两种方法得出的结果进行对比。
二、问题重述
汽车年销量是指一年卖出的汽车数量，总销量是乘用车和商用车两者销量相加。
汽车未来的销量数据对汽车行业制定未来生产规划有着重要的意义。
请你根据我国以往汽车销量（总销量或乘用车销量）的数据，用数学建模的方式预测未来5年中国汽车年总销量或年乘用车销量的增长速率。
三、问题分析
在国际标准中，汽车分为两类，即乘用车和商用车。
乘用车是在设计和技术特性上主要用于在科技及其随身行李和/或临时物品的汽车，包括驾驶员座位在内最多不超过9个座位，它也可以牵引一辆挂车。
乘用车分为普通乘用车、活顶乘用车、高级乘用车、小型乘用车、敞篷车、仓背乘用车、旅行车、多用途乘用车、短头乘用车、越野乘用车、专用乘用车、旅居车、防弹车、救护车等，前6种乘用也可俗称轿车。
商用车是在设计和技术特性上用于运送人员和货物的汽车，并且可以牵引挂车。
商用车分为客车（包括驾驶员座位在内的座位数超过9座的车辆，客车有单层的或双层的，也可牵引1个挂车。
客车有细分为小型客车、城市客车、长途客车、旅游客车、铰接客车、无轨客车、越野客车、专用客车）、半挂牵引车、货车（货车又细分为普通货车、多用途货车、全挂牵引车、越野货车、专业货车和专用货车）三大类。
影响汽车销量的主要因素有：人口增长、政府的相关政策、经济的发展水平。
所以建立模型时将这些影响因素假设为在未来五年是相对稳定的。
四、模型假设
中国社会在未来五年内保持相对稳定，不发生突发性事件导致社会动乱。
油价在一定程度内保持稳定，不发生突发性事件导致油价突然暴涨或下跌。
国家对于购车的税收政策在未来五年内保持相对稳定，不发生突发性事件使得政府突然调整购车税收导致汽车销量的变化。
未来五年内，我国人口增长基本稳定，消费人口结构基本维持不变。
公共乘用车与人口增长保持相对稳定。
汽车行业不发生剧烈变化。
符号定义
五、模型建立
根据以上数据，可以得到如下的汽车销售图表
根据上图我们认为汽车销量的增长趋于稳定，进一步通过数学软件得到各类汽车的增长率（如下图）
根据以上图形，我们可以认为汽车销量的变化服从一元三次函数，从而用matlab对各种汽车销量进行拟合（以下年份均用1,2……n表示）
我们首先对乘用车进行建模，在matlab中输入乘用车销量拟合代码得到拟合图形
>>p=polyfit(x0,y0,3)
>>p1=polyval(p,x0)
>>h1=plot(x0,y0,'y')
>>set(h1,'linewidth',5)
>>holdon
>>plot(x0,p1,'r*:')
>>gridon
>>xlabel('年份')
>>ylabel('销量')
>>title('乘用车销量拟合曲线图')
>>legend('原数据图形','拟合数据图形') 此模型中各系数
然后我们对商用车进行建模，在matlab 中输入商用车拟合代码得到拟合图形
Y1
p=polyfit(x0,y0,3) p1=polyval(p,x0) h1=plot(x0,y0,'y') set(h1,'linewidth',5) holdon
plot(x0,p1,'r*:') gridon
xlabel('年份') ylabel('销量')
title('商用车销量拟合曲线图') legend('原数据图形','拟合数据图形')
12345
67891011
年份
销量
乘用车销量拟合曲线图
此模型中各系数
最后我们建立汽车总销量的模型：
方法一：直接用汽车总销量的数据拟合。
在matlab中输入汽车总销量拟合代码：
p=polyfit(x0,y0,3)
p1=polyval(p,x0)
h1=plot(x0,y0,'y')
set(h1,'linewidth',5)
holdon
plot(x0,p1,'r*:')
gridon
xlabel('年份')
ylabel('销量')
title('汽车总销量拟合曲线图')
legend('原数据图形','拟合数据图形')
此模型中各系数p=
方法二：我们把商用车和乘用车得出的方程相加。
六、模型检验
（1）用matlab拟合，拟合图像如下所示：
（2）求方差
把x值代入方程中得到是一组值y
用excel软件分别计算出两种方法的得出的数据与原始数据的标准差分别为：
方法一模型：方法二模型：
通过检验我们发现用方法一模型得出的结果更接近原始数据，所以第一种模型更好。
即未来五年汽车总销量模型为：y=^^2++
未来五年预测总销量为：。