CN106600044B - 一种车辆销售量预测模型确定的方法及装置 - Google Patents

一种车辆销售量预测模型确定的方法及装置 Download PDF

Info

Publication number
CN106600044B
CN106600044B CN201611113060.XA CN201611113060A CN106600044B CN 106600044 B CN106600044 B CN 106600044B CN 201611113060 A CN201611113060 A CN 201611113060A CN 106600044 B CN106600044 B CN 106600044B
Authority
CN
China
Prior art keywords
average
factor
dynamic
factors
basic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611113060.XA
Other languages
English (en)
Other versions
CN106600044A (zh
Inventor
张辉
李旭阳
梁利刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinglu Chelian Technology Co ltd
Beijing Transwiseway Information Technology Co Ltd
Original Assignee
Beijing Transwiseway Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Transwiseway Information Technology Co Ltd filed Critical Beijing Transwiseway Information Technology Co Ltd
Priority to CN201611113060.XA priority Critical patent/CN106600044B/zh
Publication of CN106600044A publication Critical patent/CN106600044A/zh
Application granted granted Critical
Publication of CN106600044B publication Critical patent/CN106600044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种车辆销售量预测模型确定的方法及装置。在车辆画像数据中，提取车辆的至少两个动态因子；依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。本实施例的技术方案，通过利用建立基础因子与车辆销售量之间的模型，解决了对车辆销售量无法预测的问题，达到了为车辆销售量预测建立准确度高的预测模型的效果。

Description

一种车辆销售量预测模型确定的方法及装置
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种车辆销售量预测模型确定的方法及装置。
背景技术
随着人们消费水平的提高，汽车工业已经成为拉动国民经济的重要力量之一，甚至为加快城市进程等都做出了巨大贡献。在品牌众多的汽车行业，市场竞争激烈，对于车辆生产厂家和销售商家来说，预测未来一段时间的车辆销售情况，对于市场营销策略、企业资源分配以及战略规划有重要意义。如何利用已有数据对未来车辆销售情况进行预测，是待解决的难题，目前的预测方式主要基于国内生产总值等宏观数据，结果粗略且没有针对性。
发明内容
本发明实施例提供一种车辆销售量预测模型确定的方法及装置，以实现对车辆销售量预测模型的确定。
第一方面，本发明实施例提供了一种车辆销售量预测模型确定的方法，包括：
在车辆画像数据中，提取车辆的至少两个动态因子；
依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；
使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。
进一步地，依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子，包括：
针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数；
若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个；
将剩余的动态因子作为所述基础因子。
进一步地，依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子之后，还包括：
按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间。
进一步地，所述关系模型为y＝en,其中y代表销售量，e为自然常数，n为所述模型的指数多项式。
进一步地，在得到销售量预测模型之后，还包括：
利用获取的基础因子对应的数值和销售量预测模型对销售量进行预测。
第二方面，本发明实施例还提供了一种车辆销售量预测模型确定的装置，包括：
动态因子提取模块，用于在车辆画像数据中，提取车辆的至少两个动态因子；
基础因子选择模块，用于依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；
预测模型确定模块，用于使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。
进一步地，所述基础因子选择模块，具体用于：
针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数；
若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个；
将剩余的动态因子作为所述基础因子。
进一步地，还包括：
区间确定模块，用于在依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子之后，按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间。
进一步地，所述关系模型为y＝en,其中y代表销售量，e为自然常数，n为所述模型的指数多项式。
进一步地，还包括：预测模块，具体用于在得到销售量预测模型之后，利用获取的基础因子对应的数值和销售量预测模型对销售量进行预测。
本实施例的技术方案，通过利用建立基础因子与车辆销售量之间的模型，解决了对车辆销售量无法预测的问题，达到了为车辆销售量预测建立准确度高的预测模型的效果。
附图说明
图1为本发明实施例一提供的一种车辆销售量预测模型确定的方法的流程图；
图2是本发明实施例一提供的一种车辆销售量预测模型确定的方法中的预测结果对比图；
图3是本发明实施例二提供的一种车辆销售量预测模型确定的方法的流程图；
图4是本发明实施例二提供的一种车辆销售量预测模型确定的方法中的日均上线车辆数区间划分示意图；
图5是本发明实施例三提供的一种车辆销售量预测模型确定的装置示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车辆销售量预测模型确定的方法的流程图，本实施例可适用于对车辆销售量进行预测的情况，该方法可以由车辆销售量预测模型确定的装置来执行，该装置可以由软件和/或硬件来实现，该装置可集成于计算机中，该方法具体包括如下步骤：
S110、在车辆画像数据中，提取车辆的至少两个动态因子。
其中，画像数据为与车辆相关的所有数据的集合，在其中提取多个与车辆运营相关的动态因子。例如可以提取如下26个，分别是：日均上线车辆数、日均工作车日、日均总里程、日均总白天里程、日均总凌晨里程、日均总运营时长、日均总运行时长、日均总停靠时长、日均总超速报警时长、日均总疲劳驾驶时长、单车平均里程、单车平均运营时长、单车平均高速总里程占比、单车平均凌晨里程占比、单车平均其他总里程占比、单车平均白天里程占比、单车平均国道总里程占比、单车平均运行率、单车平均疲劳驾驶率、单车平均停靠率、单车平均出勤率、单车平均工作率、单车平均超速报警率、月途径省数、月途径市数以及月运营里程范围。其中日均表示某个车辆集合的日均总量，单车平均表示某个车辆集合日均总量之后再按车平均。可以按照需要的维度进行动态因子的统计，例如可以选择的维度可以是：品牌+类型+驱动型式+地区+月份，如表1所示，表1提供了一条数据的统计示例。类型包括大型客车、牵引车、城市公交车等。销售量对应的月份为动态因子对应的月份减去三个月，例如示例中，动态因子对应的月份为10月份，则销售量对应的月份为7月份。
表1分维度的动态因子和销售量数据统计表
Figure BDA0001172241960000051
S120、依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子。
其中，为了减少运算量，可以在多个动态因子中选择出其中的一部分作为建立模型的基础因子。可以依据至少两个动态因子的相关性，选择相关性低的动态因子作为基础因子。
S130、使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。
其中，使用泊松回归训练销售量与基础因子的关系模型，可以借助SAS等工具进行计算，得出销售量与基础因子之间的对应关系，将该对应关系确定为销售量预测模型。
优选地，所述关系模型为y＝en,其中y代表销售量，e为自然常数，n为所述模型的指数多项式。
其中，n为模型的指数多项式，通过泊松回归可以确定各基础因子对应的系数，指数多项式为各系数与各基础因子对应的值乘积的累加和。
本实施例的技术方案，通过利用建立基础因子与车辆销售量之间的模型，解决了对车辆销售量无法预测的问题，达到了为车辆销售量预测建立准确度高的预测模型的效果。
在上述技术方案的基础上，优选地，在得到销售量预测模型之后，还包括：
利用获取的基础因子对应的数值和销售量预测模型对销售量进行预测。
其中，已知预测模型后，获取基础因子对应的数值，例如日均上线车辆数的值等，将这些数值代入到模型中，即可计算出所要预测的销售量的大小，完成对销售量的预测过程。示例性地，图2是本发明实施例一提供的一种车辆销售量预测模型确定的方法中的预测结果对比图，如图2所示，分别汇出了2015年10月份欧曼品牌的不同类型车辆的实际销售量以及采用预测模型计算得出的预测销售量，从图中可以看出，预测结果准确度达到了85％以上，结果可信度高。
实施例二
图3是本发明实施例二提供的一种车辆销售量预测模型确定的方法的流程图，本实施例是在上述实施例的基础上进行了优化，对“依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子”进行了进一步优化，该方法具备包括：
S210、在车辆画像数据中，提取车辆的至少两个动态因子。
S220、针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数。
其中，计算每个动态因子与每个其他动态因子之间的相关性系数，例如可以用excel软件来进行计算，计算收集到的数据中，任意两列动态因子之间的相关性系数。示例性地，表2提供了上述26个动态因子的相关性系数中的部分示例。需要说明的是表中的数据仅作为示例，只包含所有数据中的不完全列举。
表2部分动态因子的相关性系数表
Figure BDA0001172241960000071
S230、若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个。
其中，若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值时，说明两个动态因子的相关性较大，为了减少计算量，则保留其中的一个即可，此时剔除二者当中的任意一个，示例性地，可以将预设系数阈值选为0.9。
S240、将剩余的动态因子作为所述基础因子。
其中，基础因子由相关性小的动态因子组成，示例性地，对上述示例中的26个动态因子进行相关性分析，采用上述方法保留其中的15个动态因子，作为训练模型的基础因子，其中单车平均运营时常虽然与单车里程相关性较大，但是对运营具有重要参考意义，因此全部予以保留。这15个动态因子依次为：日均上线车辆数、日均总超速报警时长、单车平均里程、单车平均运营时长、单车平均高速总里程占比、单车平均凌晨里程占比、单车平均其他总里程占比、单车平均白天里程占比、单车平均国道总里程占比、单车平均超速报警率、单车平均疲劳驾驶率、单车平均停靠率、单车平均出勤率、单车平均工作率以及月运营里程范围。
S250、使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。
本实施例的技术方案，通过提供一种计算动态因子之间相关性的方法，从动态因子中确定与销售量相关的基础因子，解决了对车辆销售量进行预测问题，达到了减小时间复杂度以及提供准确度较高的预测模型的效果。
在上述技术方案的基础上，优选地，在依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子之后，还包括：
按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间。
其中，由于动态因子是连续值，而销售量是离散值，需要对每个动态因子进行离散化，另外，动态因子对销售量的影响有时候会在某个区间内保持稳定，当单个动态因子值突破了某个程度后销量会有明显的变化，所以，就是找出因子的这些区间，形成动态因子分组，用于创建模型。分组的要求时组内的样本数应足够多，组内的销量在一个很小的范围内浮动。示例性地，对日均上线车辆数进行区间分组。图4是本发明实施例二提供的一种车辆销售量预测模型确定的方法中的日均上线车辆数区间划分示意图，如图4所示，根据销量的变化情况，将日均上线车辆数10以内划分为区间一，10到100划分为区间二，100以上划分为区间三。对每个动态因子都进行区间划分后，采用上述方式训练模型，每个动态因子对应一个系数，示例性地，表3为泊松回归建模结果中的部分数据，其中最后一列Pr>卡方用于判断置信区间，代表结果是否可信。关系模型为y＝en,其中y代表销售量，e为自然常数，n为所述模型的指数多项式。其中，n为模型的指数多项式，通过泊松回归可以确定各基础因子对应的系数，指数多项式为各系数与各基础因子对应的值乘积的累加和。各基础因子的系数与表3中“估计”列对应的数值相同。范围标签表示的是对基础因子范围的完全划分。采用模型进行预测时，首先判断各基础因子的范围，确定对应的范围标签，再与该范围标签对应的估计值相乘，累加求和，即得到指数多项式，再根据公式y＝en即可得到销售量预测模型。
表3泊松回归模型结果部分数据
Figure BDA0001172241960000101
Figure BDA0001172241960000111
实施例三
图5是本发明实施例三提供的一种车辆销售量预测模型确定的装置示意图，该装置包括：
动态因子提取模块310，用于在车辆画像数据中，提取车辆的至少两个动态因子；
基础因子选择模块320，用于依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；
预测模型确定模块330，用于使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子对应的系数，以得到销售量预测模型。
进一步地，所述基础因子选择模块320，具体用于：
针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数；
若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个；
将剩余的动态因子作为所述基础因子。
进一步地，还包括：区间确定模块，用于在依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子之后，按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间。
进一步地，所述关系模型为y＝en,其中y代表销售量，e为自然常数，n为所述模型的指数多项式。
进一步地，还包括：预测模块，具体用于在得到销售量预测模型之后，利用获取的基础因子对应的数值和销售量预测模型对销售量进行预测。
上述车辆销售量预测模型确定装置可执行本发明任意实施例所提供的车辆销售量预测模型确定方法，具备车辆销售量预测模型确定相应的功能模块和有益效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (4)

1.一种车辆销售量预测模型确定的方法，其特征在于，包括：
在车辆画像数据中，提取车辆的至少两个动态因子，其中，所述动态因子包括：日均上线车辆数、日均工作车日、日均总里程、日均总白天里程、日均总凌晨里程、日均总运营时长、日均总运行时长、日均总停靠时长、日均总超速报警时长、日均总疲劳驾驶时长、单车平均里程、单车平均运营时长、单车平均高速总里程占比、单车平均凌晨里程占比、单车平均其他总里程占比、单车平均白天里程占比、单车平均国道总里程占比、单车平均运行率、单车平均疲劳驾驶率、单车平均停靠率、单车平均出勤率、单车平均工作率、单车平均超速报警率、月途径省数、月途径市数以及月运营里程范围；
依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；
按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间；
使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子包括的各区间对应的系数，以得到销售量预测模型；其中，所述关系模型为y＝en,y代表销售量，e为自然常数，n为所述模型的指数多项式；
确定获取的基础因子对应的数值所属的区间，并根据各所述基础因子对应的数值、各所述数值所属的区间对应的系数和销售量预测模型对销售量进行预测。
2.根据权利要求1所述的方法，其特征在于，依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子，包括：
针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数；
若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个；
将剩余的动态因子作为所述基础因子。
3.一种车辆销售量预测模型确定的装置，其特征在于，包括：
动态因子提取模块，用于在车辆画像数据中，提取车辆的至少两个动态因子，其中，所述动态因子包括：日均上线车辆数、日均工作车日、日均总里程、日均总白天里程、日均总凌晨里程、日均总运营时长、日均总运行时长、日均总停靠时长、日均总超速报警时长、日均总疲劳驾驶时长、单车平均里程、单车平均运营时长、单车平均高速总里程占比、单车平均凌晨里程占比、单车平均其他总里程占比、单车平均白天里程占比、单车平均国道总里程占比、单车平均运行率、单车平均疲劳驾驶率、单车平均停靠率、单车平均出勤率、单车平均工作率、单车平均超速报警率、月途径省数、月途径市数以及月运营里程范围；
基础因子选择模块，用于依据所述至少两个动态因子的相关性，从所述至少两个动态因子中选择基础因子；
区间确定模块，用于按照所述基础因子对销售量的影响情况，将所述基础因子分成至少一个区间；
预测模型确定模块，用于使用泊松回归训练销售量与所述基础因子的关系模型，确定在所述关系模型中每个基础因子包括的各区间对应的系数，以得到销售量预测模型；其中，所述关系模型为y＝en,y代表销售量，e为自然常数，n为所述模型的指数多项式；
预测模块，用于确定获取的基础因子对应的数值所属的区间，并根据各所述基础因子对应的数值、各所述数值所属的区间对应的系数和销售量预测模型对销售量进行预测。
4.根据权利要求3所述的装置，其特征在于，所述基础因子选择模块，具体用于：
针对每一动态因子，确定该动态因子与每一其他动态因子之间的相关性系数；
若任一动态因子与任一其他动态因子之间的相关性系数大于预设系数阈值，则剔除该动态因子与该其他动态因子中的一个；
将剩余的动态因子作为所述基础因子。
CN201611113060.XA 2016-12-06 2016-12-06 一种车辆销售量预测模型确定的方法及装置 Active CN106600044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611113060.XA CN106600044B (zh) 2016-12-06 2016-12-06 一种车辆销售量预测模型确定的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611113060.XA CN106600044B (zh) 2016-12-06 2016-12-06 一种车辆销售量预测模型确定的方法及装置

Publications (2)

Publication Number Publication Date
CN106600044A CN106600044A (zh) 2017-04-26
CN106600044B true CN106600044B (zh) 2021-05-25

Family

ID=58597344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611113060.XA Active CN106600044B (zh) 2016-12-06 2016-12-06 一种车辆销售量预测模型确定的方法及装置

Country Status (1)

Country Link
CN (1) CN106600044B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609706A (zh) * 2017-09-19 2018-01-19 东南大学 基于网络拓扑特性构建轨道交通站点客流预测模型的方法
CN107679902A (zh) * 2017-09-27 2018-02-09 合肥博力生产力促进中心有限公司 一种基于云服务的企业产品市场需求量预测系统
CN110610382B (zh) * 2019-09-10 2022-08-09 浙江大搜车软件技术有限公司 车辆销售量预测方法、装置、计算机设备和存储介质
CN111401941A (zh) * 2020-03-06 2020-07-10 武汉大学 一种基于XGBoost推荐算法的车辆销量预测方法
CN111612536A (zh) * 2020-05-20 2020-09-01 上海评驾科技有限公司 一种基于车联网数据的换车指数的计算方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740280A (zh) * 2014-12-10 2016-07-06 阿里巴巴集团控股有限公司 检测变量重要性的方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740280A (zh) * 2014-12-10 2016-07-06 阿里巴巴集团控股有限公司 检测变量重要性的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于多元线性回归分析的我国轻卡销售量的预测模型》;袁清等;《基于多元线性回归分析的我国轻卡销售量的预测模型》;20151231(第12期);全文 *
《我国汽车销量主要影响因素的分析》;危高潮;《西安财经学院学报》;20091130;第22卷(第6期);正文第2-5节 *
【机器学习算法】基于R语言的多元线性回归分析;Shuai_;《https://blog.csdn.net/lance313/article/details/51241142》;20160425;全文 *

Also Published As

Publication number Publication date
CN106600044A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106600044B (zh) 一种车辆销售量预测模型确定的方法及装置
CN113470362B (zh) 基于svr-dea模型的城市路段交通拥堵时空精准判别方法
US8862346B2 (en) System and method for simulating the performance of a virtual vehicle
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN105160883A (zh) 一种基于大数据的节能驾驶行为分析方法
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN108053322A (zh) 车辆的用户投资回报估算方法及系统
CN109978597A (zh) 一种节假日效应下的商品销量预测方法
CN103617468A (zh) 一种生活必需品中长期预测方法
CN107633035B (zh) 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法
US20230260342A1 (en) Method and computer programmes for the management of vehicle fleets
KR20140053444A (ko) 시장규모예측장치, 시장규모예측방법 및 시장규모를 예측하는 프로그램을 저장하는 저장매체
Dong et al. Association of human mobility with road crashes for pandemic-ready safer mobility: A New York City case study
CN107730893A (zh) 一种基于乘客出行多维特征的共享巴士站点客流预测方法
CN109784586B (zh) 车险的出险情况的预测方法及系统
CN111091401A (zh) 一种网约车定价方法、系统、存储介质及设备
CN104464280B (zh) 车辆行进开销的预测方法及系统
Navandar et al. Empirical analysis of level of service based on users perception at manual tollbooth operation in India
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN101957941A (zh) 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法
TW201820229A (zh) 資料分析方法、系統及非暫態電腦可讀取媒體
CN113900861A (zh) 传感器数据的修复方法、装置、设备及存储介质
CN113450592A (zh) 一种基于循环神经网络的停车场占有率预测方法
CN107862866A (zh) 基于平均偏移量平移的数据噪音点检测方法
Zhang et al. Mechanisms and implications of autonomous vehicle market penetration: Insights from a Markov forecasting model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Building A, Qianfang Building, No. 27 Zhongguancun Software Park, No. 8 Dongbei Wangxi Road, Haidian District, Beijing, 100085

Patentee after: Beijing Tranwiseway Information Technology Co.,Ltd.

Country or region after: China

Address before: 100191 Beijing City, Daxing District, Jinghai Sixth Road, No. 5 Community, Building 11, 3rd Floor, Room 307-1

Patentee before: BEIJING TRANWISEWAY INFORMATION TECHNOLOGY Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right

Effective date of registration: 20250612

Address after: 101116 Beijing Tongzhou District, Beilangying Village, No. 1 Building 2, 3rd Floor, Room 101

Patentee after: Beijing Xinglu Chelian Technology Co.,Ltd.

Country or region after: China

Address before: Building A, Qianfang Building, No. 27 Zhongguancun Software Park, No. 8 Dongbei Wangxi Road, Haidian District, Beijing, 100085

Patentee before: Beijing Tranwiseway Information Technology Co.,Ltd.

Country or region before: China