ARIMA预测新能源汽车销量：从数据准备到滚动验证的完整指南

简介：基于ARIMA模型的新能源汽车销量预测PDF，是一份面向汽车行业数据分析人员、高校研究者和市场预测从业者的时间序列建模参考。资源为单个PDF文档，大小约1.11MB，收录了完整的期刊论文内容，详细展示ARIMA模型应用流程：选取2014年1月至2019年5月新能源汽车月度销量数据，通过差分处理消除非平稳性，利用ACF/PACF分析确定p、q阶数，确定ARIMA(1,0,0)(1,1,0)模型，并借助SPSS完成参数估计与显著性检验。文中使用2019年3-5月数据验证模型，预测相对误差在5%-9%，说明该模型对短期销量预测有较好效果。同时讨论了新能源汽车销量的季节性波动特征、极端值对预测误差的影响以及模型仅适合短期预测的局限，有利于读者全面评估ARIMA方法在实际场景中的适用边界。已有479人学习下载，适合想学习时间序列预测、把握新能源汽车市场趋势的读者参考，也可为相关研究及车企决策提供借鉴。

1. ARIMA模型预测新能源汽车销量：先解决排产和备货的短期需求

月度销量预测在车企排产、渠道备货里一直是刚需。新能源汽车销量序列通常只有几十到一两百个月度数据点，样本不长却有明显的季节性、季末冲量和行业政策扰动，这种数据特征恰好落在ARIMA模型最擅长也最容易翻车的区间。很多人以为ARIMA是统计学教材里的老古董，实际在中小规模单变量序列上，它比深度学习更稳——某车企分析师用ARIMA给出下三个月销量区间，在排产会上的误差控制比复杂模型更好。这篇文章把这条路线从数据清洗讲到滚动验证，重点放在参数怎么选、坑在哪、结果怎么让业务方信服。

2. 为什么是ARIMA：销量序列的三个结构特征与选型边界

ARIMA能在销量预测里站住脚，不是因为数学形式更漂亮，而是因为月度销量本身可以被拆成「沿用上期惯性 + 修正前期误差 + 随机冲击」三段结构。新能源车月度数据里，这三个成分都很明显：整体渗透率提升带来长期向上趋势；季度末冲量带来周期性凸起；某个月上市热门车型或者价格调整，销量跳增后需要用随机项吸收。ARIMA的 p、d、q 三个参数恰好对应这三件事，模型解释起来也直接。

2.1 ARIMA三个参数在销量序列里各管什么

p 是自回归阶数，描述当前月销量和前面 p 个月销量的线性关系。对新能源汽车来说，p 通常不会太大，因为消费者的购车决策不完全是惯性行为——上个月销了五万辆不代表这个月还销五万辆，但前两三个月的趋势会延续，所以 p 取 1 到 3 是常见范围。

d 是差分次数，用来把非平稳序列变成平稳序列。销量序列有长期上升趋势，一阶差分后，就能把「绝对销量」变成「环比增量」，模型学的是一段时间内每个月相比上个月多卖还是少卖。这个参数最容易被忽略，它定错了后面全错。行业内常用的经验是先做 ADF 检验，但也要结合目视判断。

q 是移动平均阶数，描述用过去的预测误差来修正当前预测。对应到销量场景里，比如某个月因为突发政策变动销量低于预期，下个月模型需要把这种误差记忆进去。q 取 0 到 2 就能覆盖最常见的短期冲击。三个参数的具体选择不是越复杂越好，销量数据本来就只有一百个点左右，参数太多会导致过拟合，预测区间反而变得不可信。

2.2 ARIMA和Prophet、LSTM在销量预测上的边界

这三个工具在时间序列预测里经常被拿来对比，但它们的适用场景差异很大。用一张对比表来收拢边界：

对于新能源汽车月度销量，样本量往往不够喂饱 LSTM，强行训练只会得到拟合得漂亮、预测得离谱的结果。Prophet 擅长处理节假日效应，但新能源销量受车企冲量和促销节奏影响远大于受法定节假日影响，Prophet 的优势发挥不出来。ARIMA 的单变量线性结构和较低的数据需求正好匹配这个场景。需要注意的是，这里的适用边界是「月度数据」——如果你拿到的是周度销量，波动大、周期不整，ARIMA 的表现会明显变差，这时候要考虑换工具。

3. 数据准备：把销量原始明细整理成ARIMA能吃的月度序列

这一步决定了模型的天花板。ARIMA 本身不吃外部特征，它只信任你喂进去的历史序列长什么样。如果你拿到的原始数据是每日开票明细、经销商报备记录或者联网上牌清单，直接按月汇总之前，必须先想清楚按什么口径汇总，因为不同口径给出的序列结构完全不同。

3.1 先定口径：批发量、零售量、上牌量预测结果差别很大

行业内最常见的三种口径是批发量、零售量和上牌量。批发量是厂商卖给经销商的数量，它包含渠道库存变化，季度末经常出现暴涨，因为厂商要把货压到经销商手里冲业绩。零售量更接近真实市场需求，但统计回来有延迟。上牌量最真实，但是用户买车到上牌存在一两个月的时间差，滞后问题反而干扰预测。

如果直接用批发量训练 ARIMA，模型会把「每季度末暴涨」当成规律，下个季度末要是渠道库存策略变化，预测就会翻车。我一般建议优先用零售量或者上牌量做预测基准，把批发量作为对照序列去观察渠道库存压力。如果只能拿到批发量，也要先把季末冲量识别出来，单独标记或者在后续评估里排除。口径换一次，整个序列的结构就变了，模型的参数也需要重新定阶，不要拿着一套参数换数据直接用。

3.2 缺失值、季末冲量和节假日的处理策略

月度序列最常见的缺失是某个月没有回传数据，或者数据源在切换统计口径后中间断档。缺失月份不能简单用全局均值填充，因为销量有明显的趋势，均值填充会把上升趋势拉平。连续空缺用线性插值，单点空缺用最近邻，这是最稳妥的基础策略。

季末冲量不是噪声，是真实存在的业务行为。不要为了「让数据更干净」把每年 3 月、6 月、9 月、12 月的异常高点抹平，ARIMA 需要看到这些规律才能学习它。真正要处理的是那些因为促销活动或者市场突发事件造成的异常点，比如某个月的销量偏离正常水平超过 3 倍标准差，这时候可以用前后三个月的中位数做平滑，防止模型把一次性事件当成长期规律。

节假日对月度数据的影响集中在春节。春节在 1 月和 2 月之间漂移，导致这两个月的销量经常错位：有的年份春节在 1 月，1 月销量就明显低，2 月回补；有的年份反过来。如果数据周期够长，建议单独加一个「春节偏移」标志，但 ARIMA 不支持外部哑变量，所以常见的做法是直接把春节影响的相邻两个月做合并统计，或者把这两个月作为异常点处理。做训练集和测试集切分时，也要保证这两个月在两边都有分布。

3.3 用pandas构建月度序列的最小代码

我一般会先把原始的日度明细按月聚合，用 pandas 重采样，再补全月份索引，这样 ARIMA 拿到的是一个连续无断裂的月度序列。

import pandas as pd import numpy as np # 假设有日粒度数据，字段：trade_date、sales_qty、channel_type df = pd.read_csv("ev_daily_sales.csv", parse_dates=["trade_date"]) # 只保留零售口径，避免批发冲量干扰 df = df[df["channel_type"] == "retail"] # 按月份聚合销量 monthly = ( df.groupby(df["trade_date"].dt.to_period("M"))["sales_qty"] .sum() .reset_index() ) monthly.columns = ["month", "sales"] # 转成时间索引，并规整到月初频率 monthly["month"] = monthly["month"].dt.to_timestamp() monthly = monthly.set_index("month").asfreq("MS") # 缺失月份补一个 NaN，再用线性插值填 monthly["sales"] = monthly["sales"].interpolate(method="linear") # 识别季末月份，后续分析用 monthly["is_qeom"] = (monthly.index.month % 3 == 0).astype(int) print(monthly.tail(12))

这段代码有两个关键点。asfreq("MS")会把索引规整到每个自然月的第一天，如果某个月没有数据，对应位置就是 NaN。interpolate(method="linear")是按时间顺序做线性插值，适合销量这种有明显趋势的序列，不建议用均值填充。is_qeom这个标志现在还不喂给 ARIMA，但是做数据可视化、评估季度末预测误差的时候很有用。到这里，数据基本可以进模型了。

4. 建模落地：用statsmodels把ARIMA跑通并输出预测区间

数据准备好之后，建模流程并不复杂，关键是每一步都要有判断，不要靠参数搜索一把梭。完整流程是：先检验平稳性并确定 d，再通过 ACF/PACF 图初定 p 和 q，拟合后检查残差，最后输出带置信区间的预测。每一步都有对应的可执行代码，下面按顺序拆开。

4.1 平稳性检验和差分阶数d怎么定

ARIMA 的 I 部分要求序列平稳，意思是没有明显的趋势和周期漂移。用 ADF 检验看 p 值，大于 0.05 通常认为非平稳，需要差分。

from statsmodels.tsa.stattools import adfuller # 对原始销量做 ADF 检验 result_raw = adfuller(monthly["sales"].dropna()) print("原始序列 ADF p 值:", result_raw[1]) # 如果 p 值 > 0.05，做一阶差分后再检验 if result_raw[1] > 0.05: sales_diff = monthly["sales"].diff().dropna() result_diff = adfuller(sales_diff) print("一阶差分后 ADF p 值:", result_diff[1])

ADF 检验的 p 值小于 0.05 才能拒绝「序列存在单位根」的原假设，也就是序列平稳。新能源汽车销量通常一阶差分就够，极少需要二阶差分。如果一阶差分后 p 值仍然大于 0.05，不要急着做二阶差分，先检查序列里是否存在明显的结构性断裂——比如某一年销量因为政策调整突然跳升，这时候需要裁掉早期数据，而不是加差分。

4.2 ACF/PACF看图定阶和AIC辅助判断

确定 d 之后，用 ACF 和 PACF 图来初选 p 和 q。PACF 在 lag k 之后突然截尾，p 可能取 k；ACF 在 lag k 之后截尾，q 可能取 k。实际操作里序列往往没有那么干净的截尾，所以我会同时跑几组候选 order 的 AIC，取最小值。

import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, axes = plt.subplots(2, 2, figsize=(14, 8)) # 差分序列的 ACF/PACF plot_acf(sales_diff, ax=axes[0][0], lags=20) plot_pacf(sales_diff, ax=axes[0][1], lags=20, method="ywm") # 原始序列的 ACF/PACF，对比差异 plot_acf(monthly["sales"].dropna(), ax=axes[1][0], lags=20) plot_pacf(monthly["sales"].dropna(), ax=axes[1][1], lags=20, method="ywm") plt.show()

method="ywm"是 Yule-Walker 的修正算法，对样本量不大的月度序列更稳定。看图时关注 PACF 的正负尖刺，比如 lag 1 显著为正、lag 2 显著为负，这通常提示 p 取 2。ACF 如果衰减缓慢，说明差分可能不够，需要回到上一步检查 d。为保险起见，我会把候选参数组合跑一遍 AIC：

import itertools from statsmodels.tsa.arima.model import ARIMA best_aic = float("inf") best_order = None for p in range(0, 4): for q in range(0, 4): try: model = ARIMA(monthly["sales"], order=(p, 1, q)) fit = model.fit() if fit.aic < best_aic: best_aic = fit.aic best_order = (p, 1, q) except Exception: continue print("AIC 最优 order:", best_order, "AIC:", best_aic)

这段循环把 p 和 q 从 0 到 3 都试一遍，用 AIC 做准则。AIC 越小越好，但不能拿着这个结果直接当最终模型——后续还要看残差是不是白噪声。

4.3 残差白噪声检验和向前6个月的预测代码

选定 order 后拟合最终模型，并用 Ljung-Box 检验残差是否还有自相关。如果残差还有明显的模式，说明模型没把序列信息学干净，需要重新定阶。

from statsmodels.stats.diagnostic import acorr_ljungbox final_order = best_order final_model = ARIMA(monthly["sales"], order=final_order) final_fit = final_model.fit() # Ljung-Box 检验残差的自相关性 ljung_result = acorr_ljungbox(final_fit.resid, lags=[6, 12], return_df=True) print(ljung_result) # 向前预测6个月，输出均值和80%置信区间 forecast = final_fit.get_forecast(steps=6) forecast_mean = forecast.predicted_mean forecast_ci = forecast.conf_int(alpha=0.2) print("预测均值:\n", forecast_mean) print("80%置信区间:\n", forecast_ci)

Ljung-Box 的 p 值要大于 0.05，表示残差没有显著自相关，模型合格。置信区间的 alpha 参数这里取了 0.2，对应 80% 置信区间。为什么不用 95%？因为销量预测本身误差大，95% 区间宽到业务方没法做库存决策，80% 区间在「给出范围」和「范围窄到有用」之间更平衡。实际业务里，我会把预测均值给到排产部门，把区间上沿给到备货部门，两个动作需要不同的边界。

5. ARIMA销量预测避坑清单：5个高频翻车点

这套流程走完不难，真正让项目翻车的是细节。以下五条是做了多次销量预测后攒下来的血泪经验，每条都按「现象 → 原因 → 解决」写，你在自己数据上大概率会遇到其中至少两条。

5.1 差分过度：预测曲线变成一条直的趋势线

现象：模型拟合效果很好，但一个季度之后预测销量几乎变成一条直线，完全没有波动，业务方看到直接质疑模型是摆设。原因：一阶差分后序列已经平稳，你为了保险又做了二阶差分，过度差分把序列里真实的短期波动也抹掉了，模型只剩下长期均值回归，预测自然趋平。解决：差分次数最多到一阶，除非 ADF 检验明确提示一阶差分后仍不平稳。同时看差分后序列的 ACF 图，如果 lag 1 附近出现明显负尖峰，就要怀疑是不是差分多了，这时候可以改用原序列直接建模，让模型自己处理趋势。

5.2 行业补贴周期调整：模型偏离拐点完全失灵

现象：某一年某个季度销量突然大幅低于模型上季度给出的预测区间下沿，检查代码没有 bug，残差却在那个时间点出现连续低值。原因：ARIMA 是单变量模型，不知道外部政策变化。补贴标准调整、免税政策到期这类事件会造成序列的水平位移，模型还按之前的惯性外推，预测自然偏高。解决：人工识别水平位移点后两种情况处理。数据量够的话，直接用位移点之后的数据重新训练；数据量不够的话，先按当前数据建模，预测输出时手动附加一个位移量修正，同时标注这个修正的依据。不要指望 ARIMA 自己学会政策拐点，它不是被设计来做这件事的。

5.3 用全量数据调参，上线后验证误差翻倍

现象：训练时模型对历史数据的拟合度非常高，AIC 也很低，但发布后第一个月的预测和实际值差了 20% 以上。原因：用整段历史数据调参，再用同一段数据计算误差，这叫测试集泄漏。ARIMA 调参过程本身会利用序列的全部信息，模型记住了数据里偶然的波动，而不是真实规律。解决：把序列时间切分，比如前 80% 做训练，后 20% 做验证，调参时只用训练段。更严格的做法是滚动回测，下一章会给出完整代码。记住一个原则：预测是拿「过去的过去」来预测「过去」，不是拿「全部过去」来预测未来。

5.4 残差白噪声检验不通过还交差

现象：Ljung-Box 的 p 值小于 0.05，但你看残差图觉得波动不大，于是直接输出预测结果。原因：残差里还有周期性或者自相关结构，最常见是月度季节性没被 ARIMA 捕获。比如每年 12 月销量冲高，模型没有专门的季节性分量，12 月的误差就会系统性为正。解决：先检查残差序列是不是周期性的，如果是，升级为 SARIMA 模型或者在建模前对序列做季节性差分。标题里写的是 ARIMA，但在实际生产中遇到强季节性，我不会硬扛，会用 SARIMA 替换。不要为了贴合标题牺牲预测质量。

5.5 置信区间过窄，业务方误以为模型很准

现象：80% 置信区间上下界只有几千台，业务方看到后把预测当成精确值去排产，结果实际值落在区间外面，导致备货不足。原因：ARIMA 的置信区间只反映估计误差，不包含外部冲击和数据结构变化。新能源销量受到政策、新车发布、价格竞争等多方面影响，这些都不会进入模型的区间计算。解决：把置信区间看作「模型内部不确定性」，而不是「业务全场景不确定性」。在输出预测前，用历史残差的标准差对区间做一定比例的放大，比如放大 1.5 倍；同时在汇报材料里写明这个区间不包含突发事件影响。这样做会让预测看起来没那么「准」，但能挡住一次排产事故。

6. 让预测可信的验证手段：滚动回测和对数变换

最后一个环节不是写代码就完事，而是要让业务方愿意用你的数。我常用的两个技巧：滚动回测验证稳定性，和对数变换修正增长率偏差。

滚动回测比一次性切分训练集、测试集更能反映真实表现，因为它模拟了「每个月用过去数据预测未来」的过程。

import numpy as np from statsmodels.tsa.arima.model import ARIMA def walk_forward_eval(series, train_size, horizon=6): """滚动预测评估：每回合只用训练窗口内的数据，向前预测horizon步。""" preds = [] actuals = [] start = train_size history = series[:start] for i in range(start, len(series) - horizon + 1): model = ARIMA(history, order=(2, 1, 1)) fit = model.fit() fc = fit.get_forecast(steps=horizon).predicted_mean preds.extend(fc) actuals.extend(series[i:i + horizon]) history = series[:i + 1] return np.array(preds), np.array(actuals) # 用前60个月做初始训练窗口，滚动到序列末尾 preds, actuals = walk_forward_eval(monthly["sales"], train_size=60) mape = np.mean(np.abs((actuals - preds) / actuals)) * 100 print("滚动6步预测 MAPE: %.1f%%" % mape)

这个函数的核心是每次只使用截至当月的序列重新拟合模型，没有使用未来信息。train_size=60是因为月度序列至少需要五六十个点才能稳定估计 ARIMA 参数，太短会导致参数漂移。如果你预测目标从 6 个月改成 12 个月，horizon相应调整，但误差大概率会上升，因为多步预测的误差会累积，这是正常的，提前和业务方讲清楚。

第二个技巧是对数变换。新能源汽车早期的月度销量基数小，比如一两万台，后来涨到几十万台，线性 ARIMA 预测时对早期低基数区的增长率估计会偏大，对近期高基数区的增长估计又偏小。取对数后再建模，模型学的是「增长率」而不是「绝对量」，预测结果还原后更贴合实际。

# 对数变换建模 monthly["log_sales"] = np.log(monthly["sales"]) model_log = ARIMA(monthly["log_sales"], order=(2, 1, 1)) fit_log = model_log.fit() # 预测结果还原为销量 log_forecast = fit_log.get_forecast(steps=6) sales_forecast = np.exp(log_forecast.predicted_mean) print(sales_forecast)

注意还原后的预测是几何均值方向，通常会低于算数均值，但这在销量预测里是合理的——它表达的是趋势的中间水平，而不是被季末冲量抬高后的平均。我现在的习惯是：每次报数前先跑一遍滚动回测，看六个季度的 MAPE，再用对数变换模型对比线性模型输出，取误差更小的那个提交。这两个动作花不了几分钟，但挡住了至少三次排产事故。这套流程从数据清洗到滚动验证并不复杂，难的是每个环节都保持警惕，不做超出模型能力范围的假设。希望帮到你。

本文还有配套的精品资源，点击获取