Python基于ARIMA-LSTM模型的广州市新能源汽车销量预测

全文链接：https://tecdat.cn/?p=43689

原文出处：拓端数据部落公众号

分析师：Bingyi Yan

做新能源汽车市场分析时，你是不是也遇到过这样的问题：用ARIMA预测总抓不住销量的突发波动，换LSTM又容易忽略长期增长趋势？单一模型总在“线性”和“非线性”之间顾此失彼。
但我们最近在广州市新能源汽车销量预测的项目里，把ARIMA和LSTM捏到了一起，结果让人惊喜——预测误差直接从18%砍到了10%！今天就拆解这个组合模型的底层逻辑，原文链接附代码和数据细节。

先说说：为啥单一模型不够用？

新能源汽车销量这东西，太“调皮”了。既有政策推动下的稳步增长（线性趋势），又受充电桩建设速度、市场关注度这些因素的突发影响（非线性波动）。

• 纯ARIMA：像个“老学究”，擅长抓整体增长趋势，但对充电桩突然变多、百度指数猛涨这些“意外”反应慢，预测误差18.35%；
• 纯LSTM：像个“机灵鬼”，能捕捉非线性关系，但容易“忘本”，单独用百度指数时误差16.01%，加了充电桩数据降到14.06%，可还是不如组合起来强。
  所以我们想：能不能让“老学究”稳住基本盘，“机灵鬼”搞定突发状况？

组合模型的底层逻辑：1+1＞2

ARIMA和LSTM的融合，不是简单拼接，而是“各司其职”：

• ARIMA先上：处理销量数据的线性趋势，算出预测值后，把“没抓到的部分”（残差）甩给LSTM；
• LSTM接棒：拿着残差，再结合充电桩数量、百度指数这些“辅助信息”，把非线性波动补全。
  就像先画一条平滑的增长线，再用细节把折线的起伏填进去，最后误差降到10.01%也就不奇怪了。

手把手拆代码：从数据到预测的关键步骤

数据准备：哪些因素真的有用？

我们扒了4类数据（2017.6-2024.2）：

• 广州市新能源汽车销量（乘联会）
• 广东省公共充电桩数量（充电联盟）
• 广东省新能源汽车百度指数（百度指数）
• 广东省油价（东方财富网）
  用Spearman相关性分析筛了下：
• 充电桩和销量相关系数0.798（高度正相关）
• 百度指数0.655（较强正相关）
• 油价才0.162（几乎没关系）
  果断留前两个当“辅助变量”。

---

相关文章

    
​​金融科技中的量化投资：LSTM、Wavenet与LightGBM的融合策略​​

原文链接：https://tecdat.cn/?p=37184

分析LSTM、Wavenet和LightGBM在金融时序预测中的优劣，提出动态融合框架以捕捉市场非线性特征，应用于股票收益率预测

---

搭ARIMA模型：先搞定线性趋势

ARIMA的核心是让数据“变稳”，我们用ADF检验测了下：

• 原始销量数据：p=0.967（不稳）
• 二阶差分后：p<0.001（稳了！）
  最后选了ARIMA(4,1,0)，拟合效果如下：

1.  
   # 关键代码片段
2.  
   from statsmodels.tsa.arima.model import ARIMA
3.  
   # 读数据
4.  
   sales_data = pd.read_csv('guangzhou_ev_sales.csv', parse_dates=['date'], index_col='date')
5.  
   # 二阶差分让数据平稳
6.  
   sales_diff2 = sales_data['sales'].diff(2).dropna()
7.  
   # 建模型
8.  
   model_arima = ARIMA(sales_data['sales'], order=(4, 1, 0))
9.  
   result_arima = model_arima.fit()

 

搭LSTM模型：抓非线性波动

LSTM的“记忆功能”适合处理复杂波动，我们用过去6个月的数据（销量+充电桩+百度指数）预测下个月：

1.  
   from tensorflow.keras.models import Sequential
2.  
   from tensorflow.keras.layers import LSTM, Dense, Dropout
3.  
   # 数据标准化
4.  
   scaler = MinMaxScaler(feature_range=(0, 1))
5.  
   scaled_data = scaler.fit_transform(sales_data[['sales', 'charging_piles', 'baidu_index']])
6.  
   # 建模型
7.  
   model_lstm = Sequential()
8.  
   model_lstm.add(LSTM(64, return_sequences=True, input_shape=(6, 3))) # 6个月数据，3个特征
9.  
   model_lstm.add(LSTM(10, return_sequences=False))
10.  
    model_lstm.add(Dropout(0.2)) # 防过拟合
11.  
    model_lstm.add(Dense(1))

 

单加百度指数时误差16.01%，单加充电桩14.88%，两个一起加降到14.06%，果然“人多力量大”。

组合模型：ARIMA+LSTM的“王炸”效果

把ARIMA的残差（没抓到的部分）喂给LSTM，相当于“查漏补缺”：

1.  
   # 取ARIMA残差，和其他特征合并
2.  
   arima_residuals = result_arima.resid.values.reshape(-1, 1)
3.  
   combined_features = np.concatenate((scaled_data, arima_residuals), axis=1)
4.  
   # 用新特征训练组合模型
5.  
   model_combined = Sequential()
6.  
   # 结构类似LSTM，输入特征多了1个（残差）
7.  
   model_combined.add(LSTM(64, return_sequences=True, input_shape=(6, 4)))
8.  
   ...

 

结果误差直接干到10.01%！对比图一目了然：

各模型MAPE对比：

我们还测了下稳健性，Dropout在0.1-0.3之间变，误差波动不到3%，模型够稳。

给广州新能源汽车市场的落地建议

从模型结果看，充电桩和市场关注度（百度指数）对销量影响真不小，咱们可以这么干：

1. 充电桩赶紧建：居民区、商场多摆点，数据显示这是最直接的“销量助推器”；
2. 推广要盯百度指数：搞活动后指数涨了，说明效果到位了；
3. 政策得稳：别忽冷忽热，长期支持才能让市场有信心。
   下次可以试试加政策文件、电池技术突破这些因素，说不定误差还能降。
   （完整代码和数据已放社群，进群领走直接跑～）

关于分析师

在此对 Bingyi Yan 对本文所作的贡献表示诚挚感谢，她在广州大学完成了软件工程专业的学习，现任中国电信广州分公司数据分析师。擅长 Python、深度学习、数学建模、数据处理等。Bingyi Yan 在数据处理与分析领域拥有扎实的专业知识，尤其在结合深度学习技术解决实际业务问题方面具备丰富经验，能够通过数学建模和数据挖掘为行业分析提供科学支持。