0  引言

近年來，我國汽車產(chǎn)銷呈現(xiàn)較快增長，產(chǎn)銷總量屢創(chuàng)歷史新高，據(jù)中國汽車工業(yè)協(xié)會統(tǒng)計數(shù)據(jù)，2016年中國汽車產(chǎn)銷均超2 800萬輛，連續(xù)八年蟬聯(lián)全球第一^［1］。據(jù)車主之家網(wǎng)站提供的數(shù)據(jù)顯示，2009~2016年我國銷量排名前十的品牌汽車占比高達55.84%，對于我國汽車消費者而言，品牌效應(yīng)十分顯著。但是汽車生產(chǎn)廠商追求規(guī)模效應(yīng)時存在一定的盲目性，導(dǎo)致產(chǎn)能過剩的問題日益凸顯。在嚴峻的形勢下，汽車生產(chǎn)企業(yè)應(yīng)認真分析市場未來的需求量和可能存在的變化趨勢，合理規(guī)劃生產(chǎn)計劃，采用以銷定產(chǎn)的生產(chǎn)策略。因此如何準(zhǔn)確地預(yù)測銷量，對于汽車生產(chǎn)企業(yè)研究市場行情及時調(diào)整生產(chǎn)經(jīng)營策略有著極其重要的意義。隨著人工智能的出現(xiàn)以及基于網(wǎng)絡(luò)數(shù)據(jù)的預(yù)測研究的廣泛開展，將網(wǎng)絡(luò)搜索數(shù)據(jù)應(yīng)用于汽車銷量的預(yù)測已成為研究的熱點。

傳統(tǒng)的汽車銷量預(yù)測研究采用的主要方法有灰色系統(tǒng)理論^［2］、時間序列模型^［3］以及人工神經(jīng)網(wǎng)絡(luò)^［4］等，但這些研究采用的數(shù)據(jù)時間粒度比較大，研究對象大都集中于我國汽車年度總銷量的預(yù)測，研究成果難以應(yīng)用推廣。文獻［5］在建立網(wǎng)絡(luò)關(guān)鍵詞搜索數(shù)據(jù)與汽車銷量理論框架的基礎(chǔ)上，使用自動推薦技術(shù)選取關(guān)鍵詞并進行關(guān)鍵詞合成，然后針對不同價格區(qū)間的汽車銷量與相應(yīng)合成指數(shù)進行建模預(yù)測且平均絕對誤差百分數(shù)均不超過4%，但是同一價格區(qū)間內(nèi)包含眾多不同品牌車型，預(yù)測結(jié)果無法提供有價值的決策支持；文獻［6］、文獻［7］針對大眾途觀和寶馬汽車銷量進行預(yù)測研究，通過人工方式進行網(wǎng)絡(luò)數(shù)據(jù)關(guān)鍵詞的選取，發(fā)現(xiàn)加入百度關(guān)鍵詞作為解釋變量的模型相比傳統(tǒng)的ARMA模型，預(yù)測精度有了一定程度的提高；文獻［8］利用經(jīng)濟變量和谷歌在線搜索數(shù)據(jù)建立預(yù)測月度汽車銷售數(shù)據(jù)的多變量模型，結(jié)果表明包括谷歌搜索數(shù)據(jù)在內(nèi)的模型在統(tǒng)計上超過了大多數(shù)預(yù)測領(lǐng)域的傳統(tǒng)模型；文獻［9］提出了一種搜索數(shù)據(jù)關(guān)鍵特征選取方法，但是該選取方法最終僅僅保留了相關(guān)性最高的一個關(guān)鍵特征，難免會造成有效信息的損失。

綜上所述，目前的研究存在的問題包括研究對象與時間粒度選擇不當(dāng)，網(wǎng)絡(luò)數(shù)據(jù)特征分析及選取的科學(xué)體系暫未形成，傳統(tǒng)模型預(yù)測性能具有局限性。本文擬基于網(wǎng)絡(luò)搜索數(shù)據(jù)，將品牌汽車銷量作為研究對象，時間粒度選取為月度，將傳統(tǒng)相關(guān)性分析與基于LASSO的特征選擇方法相結(jié)合，篩選出最優(yōu)的關(guān)鍵特征數(shù)據(jù)，然后應(yīng)用多種機器學(xué)習(xí)算法建立品牌汽車銷量的預(yù)測模型，從而實現(xiàn)針對性更強、更準(zhǔn)確、更具有應(yīng)用價值的品牌汽車銷量的預(yù)測。

1  網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵特征選取

本文選取“大眾”、“本田”、“奧迪”三個比較有代表性的品牌汽車作為研究對象，收集了2011年1月~2017年12月期間各品牌汽車月度銷量數(shù)據(jù)。根據(jù)消費者購買決策過程，消費者在產(chǎn)生購車需求后，大多數(shù)購車消費者都會通過搜索引擎從網(wǎng)絡(luò)中快速獲取到所需要的信息，而關(guān)鍵詞搜索是在線信息搜索時最常用的策略，所以將用戶搜索關(guān)鍵詞作為網(wǎng)絡(luò)搜索數(shù)據(jù)的關(guān)鍵特征。本文選擇國內(nèi)應(yīng)用最為廣泛的百度搜索引擎的百度指數(shù)作為網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)來源。下面以“大眾”品牌汽車為例進行詳細說明。

1.1 關(guān)鍵詞的選取及拓展

本文采用文本挖掘的方法，結(jié)合汽車品牌、熱銷車型信息、車型配置指標(biāo)數(shù)據(jù)等各個方面的信息，對網(wǎng)絡(luò)上與大眾品牌汽車相關(guān)的新聞、論壇文章、點評、分享交流等信息進行查找收集，剔除掉一些無用信息后，再使用NLPIR漢語分詞系統(tǒng)對原始文本進行關(guān)鍵詞提取，得到關(guān)鍵詞列表及其權(quán)重，選定其中權(quán)值較高的“大眾”、“大眾4S店”、“大眾SUV”、“大眾POLO”、“大眾商務(wù)車”等為初始關(guān)鍵詞。然后圍繞選取的初始關(guān)鍵詞綜合使用了長尾關(guān)鍵詞拓展法、站長工具以及網(wǎng)頁相關(guān)搜索推薦等方法拓展出數(shù)量更多的關(guān)鍵詞，剔除重復(fù)或者有歧義的關(guān)鍵詞后建立了一個包含276個關(guān)鍵詞的初始詞庫。

1.2 關(guān)鍵詞搜索指數(shù)相關(guān)性分析

首先利用網(wǎng)絡(luò)爬蟲工具獲取初始詞庫中各關(guān)鍵詞相同時間段內(nèi)月度搜索數(shù)據(jù)，針對關(guān)鍵詞搜索數(shù)據(jù)進行預(yù)處理（剔除缺失數(shù)據(jù)超過6個月或者搜索指數(shù)過低的關(guān)鍵詞數(shù)據(jù)），最后得到118個符合要求的關(guān)鍵詞搜索數(shù)據(jù)。但是并不是每個關(guān)鍵詞搜索數(shù)據(jù)都與實際銷量存在相關(guān)關(guān)系。所以本文首先應(yīng)用傳統(tǒng)相關(guān)性分析方法通過判定各個關(guān)鍵詞搜索數(shù)據(jù)與大眾品牌汽車銷量的Spearman秩相關(guān)系數(shù)，篩選出相關(guān)系數(shù)大于0.5的搜索關(guān)鍵詞（顯著相關(guān)），共計37個。然后采用時差相關(guān)分析確定上一步篩選出的關(guān)鍵詞搜索指數(shù)與大眾品牌汽車銷量的時滯階數(shù)均處于滯后1~3階的范圍（網(wǎng)絡(luò)搜索行為是一種即時性行為，而購買汽車作為重大經(jīng)濟決策，消費者一般都會在做出購買決策前幾個月就開始搜索相關(guān)的信息）。

現(xiàn)有研究針對相關(guān)性分析結(jié)果一般有兩種處理方法:第一種是直接選取相關(guān)性最高的作為唯一的解釋變量；第二種是利用指數(shù)合成方法將合成后的關(guān)鍵指數(shù)作為解釋變量。兩種方法難免都會造成有效信息的損失。但是若保留所有的解釋變量，解釋變量之間也可能存在多重共線性，所以本文在相關(guān)性分析基礎(chǔ)上應(yīng)用LASSO算法來進一步分析與選取特征^［10］。

1.3 基于LASSO的特征選取

在高維數(shù)據(jù)變量選擇方法的研究領(lǐng)域中，Tibshirani在1996年提出普通線性模型下的Least Absolute Shrinkage and Selection Operate(LASSO)算法，LASSO算法就是在損失函數(shù)后面加上懲罰項（即L1正則項），L1正則項可以約束方程的稀疏性，這種稀疏性即可應(yīng)用于特征的選擇，這種方法與傳統(tǒng)的算法相比優(yōu)點在于可以在進行連續(xù)的變量選擇的同時進行模型參數(shù)估計^［11］。而且LASSO算法可以有效解決解釋變量多重共線性的問題，使得后續(xù)建立的模型擁有穩(wěn)定的性能。

針對上一節(jié)相關(guān)性分析結(jié)果，采用R語言中的glmnet包實現(xiàn)的LASSO算法對關(guān)鍵詞搜索數(shù)據(jù)進行分析與特征選取。通過分析模型的Lambda解路徑圖可以發(fā)現(xiàn)，隨著懲罰的力度加大，越來越多的變量系數(shù)會被壓縮為0，而那些在Lambda比較大時仍然擁有非零系數(shù)的變量就是越重要的解釋變量^［12-13］。本文選取平均絕對誤差（MAE）作為評價指標(biāo)，通過交叉驗證得到最優(yōu)Lambda值，模型MAE與Lambda之間的關(guān)系如圖1所示。

圖1中左側(cè)虛線是最佳Lambda取值（lambda.min=0.143 065），也就是模型MAE最低時的Lambda取值，此時非零系數(shù)的變量個數(shù)僅為12個，相比之前37個關(guān)鍵詞特征數(shù)據(jù)已經(jīng)大幅度地縮減。通過查看coefficients參數(shù)可以得到模型的Intercept為5.630 547 963 2，所選取的關(guān)鍵詞變量及其所對應(yīng)的參數(shù)估計如表1所示。

至此，本文首先進行關(guān)鍵詞的選取及拓展，然后將傳統(tǒng)相關(guān)性分析與基于LASSO的特征選擇相結(jié)合應(yīng)用于搜索數(shù)據(jù)關(guān)鍵詞選取，最終選出針對“大眾”品牌汽車的12個網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵特征。使用同樣的方法，篩選得出“本田”及“奧迪”品牌汽車對應(yīng)的網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵特征分別為12個和13個。

2  實驗分析與討論

通過LASSO算法的應(yīng)用有效地解決了解釋變量多重共線性的問題，同時在特征選擇的過程中也得到了LASSO線性回歸模型參數(shù)估計，但是該模型及現(xiàn)有研究大都使用基于最小二乘法的線性回歸模型，都無法解決異方差性及解釋變量與被解釋變量非線性關(guān)系的問題，這就會增加系數(shù)估計值的方差，結(jié)果造成系數(shù)估計值不穩(wěn)定，對異常值非常敏感，繼而會嚴重影響回歸線，最終影響預(yù)測值的準(zhǔn)確度^［14］。所以本文又選取了兩種非線性的機器學(xué)習(xí)算法建立模型并進行詳細的對比分析。

本文選取2011年1月~2016年12月的數(shù)據(jù)作為訓(xùn)練集，將2017年12個月的數(shù)據(jù)作為測試集，采用R語言針對“大眾”、“本田”、“奧迪”品牌汽車的銷量預(yù)測建立了支持向量回歸模型及隨機森林模型，按照MAE值最小原則應(yīng)用網(wǎng)格搜索法（GridSearch）進行模型參數(shù)調(diào)優(yōu)，同時針對三個品牌建立傳統(tǒng)的時間序列預(yù)測模型——自回歸積分滑動平均模型（ARIMA）進行綜合比較分析。為了有效和直觀地衡量不同模型的預(yù)測能力，本文選取均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)兩個指標(biāo)來評估預(yù)測結(jié)果，各模型測試集預(yù)測結(jié)果如表2所示。

從表2可以看出，無論從RMSE還是MAPE來說，機器學(xué)習(xí)模型的預(yù)測效果均有顯著優(yōu)勢，相比傳統(tǒng)的時間序列ARIMA模型大幅度提高了預(yù)測準(zhǔn)確度，而且從MAPE指標(biāo)結(jié)果來看，ARIMA模型對于不同品牌汽車銷量預(yù)測差異非常大（奧迪比本田高了近15%），機器學(xué)習(xí)模型預(yù)測性能比較穩(wěn)定。所有模型中性能最優(yōu)的是隨機森林模型，預(yù)測平均誤差為6.4%，比ARIMA模型降低了12.2個百分點，相比文獻［15］、［16］對大眾及奧迪相同品牌汽車月度銷量預(yù)測的MAPE分別降低了2.81%和4.63%，預(yù)測精度有了顯著提升。從本質(zhì)上分析，網(wǎng)絡(luò)搜索數(shù)據(jù)與對應(yīng)品牌汽車銷量之間的關(guān)系并不是單純的線性關(guān)系，其中非線性關(guān)系的程度應(yīng)該大于線性關(guān)系的程度，因而兩種非線性機器學(xué)習(xí)模型的預(yù)測更為精確。

以“大眾”為例展示各模型測試集的預(yù)測值與實際值對比如圖2所示。其中可以看出LASOO線性回歸模型（圖（b））及支持向量回歸模型（圖（c））的預(yù)測精度明顯優(yōu)于ARIMA模型（圖（a）），ARIMA模型雖然能夠預(yù)測銷量的基本趨勢，但整體預(yù)測效果比較差，而且以上三種模型的峰值敏感度都較低，即對峰值的預(yù)測誤差均比較大。通過與隨機森林模型（圖（d））進行對比，可以清晰直觀地看出，隨機森林模型與其他模型相比在峰值預(yù)測準(zhǔn)確度上有明顯差異，顯然隨機森林模型對于峰值和整體預(yù)測的結(jié)果都更精確。由此可以得出結(jié)論，針對汽車品牌粒度的月度銷量預(yù)測問題，建立基于網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵特征的隨機森林模型是一種切實可行的方案。

3  結(jié)論

本文以品牌汽車銷量為研究對象，通過關(guān)鍵詞的選取及拓展，將相關(guān)性分析與基于LASSO的特征選擇相結(jié)合，最終篩選出針對不同品牌汽車的網(wǎng)絡(luò)搜索數(shù)據(jù)關(guān)鍵特征，在解決多重共線性及減少過擬合的基礎(chǔ)上保留最有效的數(shù)據(jù)，然后分別建立了傳統(tǒng)時間序列模型及三種機器學(xué)習(xí)模型，通過對實驗結(jié)果進行分析，發(fā)現(xiàn)機器學(xué)習(xí)模型的預(yù)測效果均有顯著優(yōu)勢，其中隨機森林模型預(yù)測性能最優(yōu)。本文提出的基于網(wǎng)絡(luò)搜索數(shù)據(jù)的預(yù)測方法可以利用前期網(wǎng)絡(luò)搜索數(shù)據(jù)預(yù)測后續(xù)汽車銷量，而相應(yīng)品牌的汽車生產(chǎn)廠商可以根據(jù)預(yù)測結(jié)果及時調(diào)整企業(yè)的生產(chǎn)和營銷策略。模型的可靠性檢驗及推廣應(yīng)用是接下來的研究方向。

參考文獻

［1］ 中國汽車工業(yè)協(xié)會.中國汽車工業(yè)發(fā)展年度報告（2016）［Ｍ］.北京：社會科學(xué)文獻出版社,2016.

［2］ 黃琦.基于灰色理論的汽車銷售量預(yù)測研究［J］.機械制造,2013,51(4):78-80.

［3］ 胡彥君.ARIMA模型在汽車銷量預(yù)測中的應(yīng)用及SAS實現(xiàn)［J］.河北企業(yè),2012(4):11-12.

［4］ 王旭天. 基于BP神經(jīng)網(wǎng)絡(luò)的我國汽車銷量預(yù)測分析［D］.上海：東華大學(xué),2016. 

［5］ 袁慶玉,彭賡,劉穎,等.基于網(wǎng)絡(luò)關(guān)鍵詞搜索數(shù)據(jù)的汽車銷量預(yù)測研究［J］.管理學(xué)家(學(xué)術(shù)版),2011(1):12-24.

［6］ 孔令頂.基于互聯(lián)網(wǎng)搜索量的大眾途觀汽車銷量預(yù)測研究［J］.時代金融,2015(30):222,226.

［7］ 王守中,崔東佳,彭賡.基于Web搜索數(shù)據(jù)的寶馬汽車銷量預(yù)測研究［J］.經(jīng)濟師,2013(12):22-24，26. 

［8］ FANTAZZINI D, TOKTAMYSOVA Z. Forecasting german car sales using Google data and multivariate models［J］.International Journal of Production Economics,2015,170: 97-135.

［9］ 李憶,文瑞,楊立成.網(wǎng)絡(luò)搜索指數(shù)與汽車銷量關(guān)系研究——基于文本挖掘的關(guān)鍵詞獲?。跩］.現(xiàn)代情報,2016,36(8):131-136，177. 

［10］ 趙東波. 線性回歸模型中多重共線性問題的研究［D］.錦州：渤海大學(xué),2017.

［11］ 李鋒,蓋玉潔,盧一強.測量誤差模型的自適應(yīng)LASSO變量選擇方法研究［J］.中國科學(xué):數(shù)學(xué),2014,44(9):983-1006.

［12］ 劉曉寧.基于Lasso特征選擇的方法比較［J］.安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報,2014,13(1):26-30.

［13］ 李春紅,吳英,覃朝勇.基于LASSO變量選擇方法的網(wǎng)絡(luò)廣告點擊率預(yù)測模型研究［J］.數(shù)理統(tǒng)計與管理,2016,35(5):803-809.

［14］ 郭貔,王力,郝元濤.基于LASSO回歸模型與百度搜索數(shù)據(jù)構(gòu)建的流感疫情預(yù)測系統(tǒng)［J］.中國衛(wèi)生統(tǒng)計,2017,34(2):186-191. 

［15］ 崔東佳. 大數(shù)據(jù)時代背景下的品牌汽車銷量預(yù)測的實證研究［D］.開封：河南大學(xué),2014.

［16］ 田銳鋒.用季節(jié)性交乘模型預(yù)測奧迪汽車在華銷量［J］.統(tǒng)計與管理,2016(8):70-71.

（收稿日期：2018-04-03）

作者簡介：

謝天保（1966-），男，博士，副教授，主要研究方向：數(shù)據(jù)挖掘、電子商務(wù)與決策支持。

崔田（1991-），通信作者，男，碩士研究生，主要研究方向：數(shù)據(jù)挖掘、電子商務(wù)。E-mail：328348221@qq.com。