本文代码和数据资料已分享至会员群

加入会员群

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，会员群内附代码和数据细节。

新能源汽车销量预测分析导览

新能源汽车销量预测分析导览

基于Python实现的ARIMA-LSTM组合模型在广州市场的应用

融合百度指数与公共充电桩数据的创新预测方法

本研究聚焦广州市新能源汽车销量预测问题，创新性地将时间序列分析与深度学习方法相结合，提出ARIMA-LSTM组合模型

一、研究背景与意义

作为数据科学领域的从业者，我们深知精准的预测模型对产业发展的重要性。在去年为某汽车产业咨询项目提供服务时，我们发现新能源汽车销量预测不仅需要先进的算法支持，更要结合实际业务场景中的关键影响因素。这个项目最终形成的分析框架，正是我们今天要分享的核心内容。

随着全球对环境问题的重视和能源结构转型的推进，新能源汽车已成为汽车产业发展的必然趋势。广州市作为我国重要的汽车生产基地，其新能源汽车市场的发展态势对整个产业具有重要影响。

为什么需要预测新能源汽车销量？

全球变暖问题日益严峻，汽车尾气排放是主要诱因之一。推广新能源汽车不仅能减少排放，还是保障国家能源安全的重要举措。对广州市而言，准确预测新能源汽车销量能帮助企业制定生产计划、政府规划基础设施，推动产业健康发展。

研究目标

本研究创新性地引入百度指数（反映市场关注度）和公共充电桩数量（体现基础设施完善度）作为关键影响因素，通过数据挖掘与模型构建，为广州市新能源汽车产业发展提供科学的决策依据。

本报告基于实际数据与建模结果生成，所有图表均引用自原始研究

© 2024 新能源汽车销量预测分析报告 | 数据驱动产业决策

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”。

模型融合知识

ARIMA与LSTM组合优势

ARIMA模型擅长捕捉时间序列的线性趋势和短期相关性，而LSTM神经网络在处理非线性关系和长期依赖方面表现出色。将两者结合可以充分发挥各自优势，在复杂预测场景中通常能获得比单一模型更准确的结果。这种组合策略已广泛应用于经济预测、能源消耗预测和销售预测等领域。

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：

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

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

最受欢迎的见解

  1. 【专题】2024年数字化发展行业研究报告汇总PDF洞察（附原数据表）
  2. 增长新前沿——AI人工智能拐点重塑人类潜力 400+份报告汇总解读 | 附PDF下载
  3. 【专题】2025中国消费者的转型报告汇总以精准战略驱动新常态PDF解读（附原数据表）
  4. 中国新能源汽车：2024年总结与2025年趋势300+份报告汇总解读 | 附PDF下载
  5. 【专题】2024年金融数字化转型白皮书报告汇总PDF洞察（附原数据表）

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”：

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

结果误差直接干到10.01%！对比图一目了然：

各模型MAPE对比：

金融科技中的量化投资

金融科技中的量化投资：LSTM、Wavenet与LightGBM的融合策略

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

探索观点

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～）