新能源汽车销量作为清洁能源汽车的代表,受到全球范围内的关注和推广。在应对气候变化、减少能源消耗、改善空气质量等方面,新能源汽车销量具有重要意义。因此,对新能源汽车销量影响因素进行深入研究具有重要的现实意义和发展价值。
政策支持与市场需求:各国政府纷纷制定新能源汽车销量补贴政策、排放标准以及充电基础设施建设等支持措施,这些政策举措直接影响着新能源汽车销量的销售情况。研究政策对销量的影响可以帮助理解市场动态和政策效果。
消费者偏好与产品创新:消费者对新能源汽车销量的接受程度、购买动机以及对产品性能的要求是影响销量的重要因素。同时,新能源汽车销量技术的不断创新也推动着市场的发展,研究消费者偏好和产品创新对销量的影响可以指导企业产品策略。
市场竞争与营销策略:新能源汽车销量市场竞争激烈,企业的产品定价、市场推广、渠道选择等策略影响着销量表现。研究竞争对手分析和营销策略对销量的影响,有助于企业提升竞争力。
技术进步与成本控制:新能源汽车销量技术的不断进步降低了成本、提升了性能,同时也对销量有着重要影响。研究技术进步和成本控制对销量的影响,可以帮助企业把握市场趋势。
综上所述,针对新能源汽车销量影响因素进行研究,有助于深入了解新能源汽车销量市场的发展规律,为产业发展、政策制定和企业经营提供科学依据,促进新能源汽车销量行业的健康发展和可持续发展。
总的来说,基于数据挖掘技术的新能源汽车销量影响因素预测具有重要的研究意义和应用价值。预测模型可以帮助新能源汽车销量素产业更好地掌握市场动态和消费者需求,提高产品的成功率和用户体验,同时也可以促进新能源汽车销量创新和多样性,推动整个新能源产业的发展。
在大数据时代的背景,在预测领域中数据挖掘技术得到更多的关注,在预测研究目前,针对新能源汽车销量分析的研究逐渐增多,主要集中在以下几个方面:
市场需求与政策因素分析:研究者通过对新能源汽车销量市场需求趋势、政策支持度等因素进行分析,探讨其对销量的影响。这些研究有助于评估政策效果和预测市场发展方向。
消费者行为与偏好研究:通过调查问卷、实地访谈等方式,研究者分析消费者对新能源汽车销量的认知、购买意愿、偏好等因素,以揭示消费者对销量的影响。
竞争分析与市场营销策略:研究者关注市场上各品牌新能源汽车销量的销售情况、定价策略、广告宣传等方面,探讨竞争对销量的影响,并提出相应的市场营销建议。
技术创新与产品研发:研究者关注新能源汽车销量技术创新对销量的推动作用,分析新技术应用、产品性能提升对销量的影响,以指导企业的研发方向。
成本控制与经济效益评估:针对新能源汽车销量生产成本、运营成本等方面进行分析,评估不同成本水平对销量的影响,以及新能源汽车销量的经济效益。
综合以上研究现状可以看出,新能源汽车销量分析已经成为学术界和产业界关注的热点问题,相关研究为新能源汽车销量行业发展提供了重要的理论支撑和实践指导。未来随着新能源汽车销量市场的不断发展和政策环境的变化,新能源汽车销量分析领域仍将继续深入研究和探索。
本文旨在基于数据挖掘技术,利用新能源销量平台的海量新能源汽车销量数据,构建一种可靠的新能源汽车销量影响预测模型。具体来说,研究目标包括以下几个方面:
(1)分析新能源汽车销量影响的形成机制和影响因素,探究如何从海量数据中提取有效特征的新能源汽车销量数据集。
(2)构建一种高效、准确、可靠的新能源汽车销量影响预测模型,能够对不同类型的新能源汽车销量作出准确的销量影响预测。
(3)对预测模型进行实验验证,验证其预测效果和优越性。
其中,新能源汽车销量数据采集和预处理:通过数据爬取,采集不同类型的新能源汽车销量数据,同时,还需要对原始数据进行处理和清洗数据。
特征提取和选择:根据分析新能源汽车销量影响的形成机制和影响因素,提取和选择合适的特征。具体来说,需要将原始数据转化为特征向量模型构建和训练:选择线性回归算法作为预测模型,在对模型训练和调参过程中利用交叉验证等技术,得到最优的预测模型。
实验验证和分析:对构建的新能源汽车销量影响预测模型进行实验验证,分析预测结果的准确性和稳定性。
综上所述,本文的研究内容包括数据采集和预处理、特征提取和选择、模型构建和训练以及实验验证和分析等多个方面。通过使用线性回归算法对新能源销量平台的海量新能源汽车销量数据进行分析和建模,旨在为新能源汽车销量行业的发展和进步提供有效的支持和参考。
本章将介绍完成流行新能源汽车销量趋势预测所需要的主要技术及相关基础理论。
2.1 基于Scrapy的网络爬虫技术
Scrapy是目前较为成熟的爬虫技术框架,一般采用Python语言开发程序,Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
在本设计中,由于需要获取到新能源汽车销量网站的原始数据,因此需要开发相应的网络爬虫程序完成对新能源汽车销量原始数据的采集,图2-1为爬取新能源汽车销量网站的新能源汽车销量数据的原理流程图。
图2-1新能源汽车销量网站爬重原理流程图
2.2 线性回归算法
线性回归算法是一种基于假设自变量和因变量之间存在线性关系的统计学习方法。也就是说,我们认为因变量y可以表示为自变量x的线性组合加上一个随机误差项。例如,如果我们有一个自变量x和一个因变量y,那么我们可以假设它们之间的关系为:
y = wx + b + e
其中w是线性系数,b是截距项,e是误差项。我们的目标是根据已知的x和y的数据,找到最合适的w和b,使得误差项e的平方和最小。这就是最小二乘法的思想。
如果我们有多个自变量x1,x2,...,xn和一个因变量y,那么我们可以假设它们之间的关系为:
y = w1x1 + w2x2 + ... + wnxn + b + e
其中w1,w2,...,wn是线性系数,b是截距项,e是误差项。我们同样要找到最合适的w1,w2,...,wn和b,使得误差项e的平方和最小。
图 2-2 线性回归函数
线性回归算法的实现步骤主要包括以下几个步骤:
数据预处理:将原始数据进行归一化、缺失值处理、异常值处理等预处理操作,得到训练集和测试集。
特征提取:从原始数据中提取出自变量和因变量的特征,通常采用的是最小均方误差(LMSE)作为特征提取的度量标准。
模型建立:根据特征提取的结果,建立线性回归模型。线性回归模型的一般形式为:
y = w1 * x1 + w2 * x2 + …+ wn * xn + ε
其中,w1,w2,…,wn是线性系数,ε是随机误差项。
参数求解:梯度下降法求解模型的参数。根据步骤3,计算得到模型的参数w1,w2,…,wn和b。
模型训练:训练集对模型进行训练,得到最优的模型参数和训练集。
模型评估:测试集对模型进行评估,计算模型的预测结果与真实结果之间的均方误差(MSE),作为模型的评估指标。
2.3 Flask技术
Flask是一个开放源代码的Web应用框架,由Python写成。采用了MTV的框架模式,即模型M,视图V和模版T。它最初是被开发来用于管理劳伦斯出版集团旗下的一些以新闻内容为主的网站的,即是CMS(内容管理系统)软件。并于2005年7月在BSD许可证下发布。这套框架是以比利时的吉普赛爵士吉他手Flask Reinhardt来命名的。2019年12月2日,Flask 3. 0发布 。
Flask是高水准的Python编程语言驱动的一个开源模型.视图,控制器风格的Web应用程序框架,它起源于开源社区。这种架构,程序员可以方便、快捷地创建高品质、易维护、数据库驱动的应用程序。这也正是OpenStack的Horizon组件采用这种架构进行设计的主要原因。另外,在Dj ango框架中,还包含许多功能强大的第三方插件,使得Flask具有较强的可扩展性 。Flask 项目源自一个在线新闻 Web 站点,于 2005 年以开源的形式被释放出来。其工作流程主要可划分为以下几步:
1.用manage .py runserver 启动Flask服务器时就载入了在同一目录下的settings .py。该文件包含了项目中的配置信息,如前面讲的URLConf等,其中最重要的配置就是ROOT_URLCONF,它告诉Flask哪个Python模块应该用作本站的URLConf,默认的是urls .py
2.当访问url的时候,Flask会根据ROOT_URLCONF的设置来装载URLConf。
3.然后按顺序逐个匹配URLConf里的URLpatterns。如果找到则会调用相关联的视图函数,并把HttpRequest对象作为第一个参数(通常是request)
4.最后该view函数负责返回一个HttpResponse对象。
2.4 Echarts前端可视化技术
Apache ECharts 是一款基 于Javascript的数据可视化图表库,提供直观,生动,可交互,可个性化定制的数据可视化图表。ECharts 开源来自百度商业前端数据可视化团队,基于htm15 Canvas, 它是一个纯Javascrint,图表库,提供直观,生动,可交互,可个性化定制的数据可视化图表。创新的拖拽重计算、数据视图、值域漫游等特性大大增强了用户体验,赋予了用户对数据进行挖掘、整合的能力。
2.5 本章小结
本章主要分析了系统开发过程中到的技术点和框架,通过研究这些技术的原理后,在本设计中加以应用,包括新能源汽车销量信息采集的爬虫技术,数据持久化存储技术,以及基于Flask框架的系统后台技术,通过预研上述技术点并加以应用从而开发出北京新能源汽车销量数据分析系统。
伴随互联网新能源汽车销量的飞速发展,产生了各种各样的销量数据,对于新能源汽车销量爱好者以及各大新能源汽车企业来说,对新能源汽车销量数据进行研究和分析从而预测新能源汽车销量的趋势,具有重大意义。所以,在新能源汽车销量影响预测研究中数据分析和处理至关重要,可以为后续建立模型奠定良好的基础。
爬取汽车网的新能源汽车销量数据的设计步骤如下:
1、明确需求和目标网站的结构,确定需要爬取的数据以及爬取规则。
2、创建一个Scrapy项目,使用命令行工具创建一个新的Scrapy项目。
3、定义数据模型和item,即确定要爬取的数据结构。
4、编写爬虫类,使用Scrapy的Spider类编写爬虫程序,根据需求和目标网站的结构,确定爬取的起始URL,处理每个页面的响应数据,并根据规则提取需要的数据。
5、编写数据处理管道,对爬取的数据进行处理,包括清洗、去重、存储等操作。
6、配置Scrapy设置,包括请求头、代理、下载延迟等设置,以保证爬虫程序的稳定性和高效性。
7、运行爬虫程序,使用命令行工具运行爬虫程序,查看爬取结果。
8、调试和优化,根据爬取结果和日志信息,对爬虫程序进行调试和优化,提高爬取效率和数据质量。
总体来说,Scrapy爬虫的标准流程包括需求分析、项目创建、数据模型定义、爬虫编写、数据处理管道编写、设置配置、运行爬虫程序、调试和优化等步骤。
这个项目我们的主要目的是爬取汽车网的新能源汽车销量数据信息,包括新能源汽车销量、新能源汽车名称和新能源汽车描述和所属企业等具体详情信息,下面描述本文爬虫工程主要设计步骤。
表3-1 懂车帝新能源车爬虫代码
# -*- coding: utf-8 -*- import math import requests import pandas as pd class Dongchedi_class(): '''懂车帝''' def __init__(self): self.header = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36", "Referer":"https://www.dongchedi.com/auto/library/x-x-x-x-x-x-4-x-x-x-x", "Origin":"https://www.dongchedi.com", } def get_data(self,page=1,is_total=0): '''请求接口''' url = "https://www.dongchedi.com/motor/pc/car/brand/select_series_v2?aid=1839&app_name=auto_web_pc" # body参数 data_dict = { "fuel_form": "4", "sort_new": "hot_desc", "city_name": "广州", "limit": 30, "page": page } res = requests.post(url=url, headers=self.header, data=data_dict).json() # print(res) #返回数据 if res and 'status' in res and res['status']==0: if is_total: return res['data']['series_count'] return res['data']['series'] else: return [] def data_deal(self,data_list=None): '''数据解析''' new_list = [] for data_dict in data_list: #品牌ID brand_id = data_dict['brand_id'] #品牌 brand_name = data_dict['brand_name'] #封面图 cover_url = data_dict['cover_url'] #车名 outter_name = data_dict['outter_name'] #官方指导价 official_price = data_dict['official_price'] #款式数量 count = data_dict['count'] #评分 dcar_score = data_dict['dcar_score'] new_list.append([brand_id,brand_name,cover_url,outter_name,official_price,count,dcar_score]) return new_list def data_to_csv(self,data_li=None): '''数据存储''' df = pd.DataFrame(data_li) df.to_csv("test1.csv", index=False) def run(self): #获取总页数 total = self.get_data(page=1, is_total=1) if total>0: total_page = math.ceil(total/30) print("总数:",total,",总页数:",total_page) #翻页获取数据 all_list = [] all_list.append(["品牌ID", "品牌", "封面图", "车名", "官方指导价", "款式数量", "评分"]) for page in range(1,total_page): print("当前页数:",page) data_list = self.get_data(page=page) out_date = self.data_deal(data_list=data_list) print("*"*100) print(out_date) all_list += out_date self.data_to_csv(data_li=all_list) if __name__ == '__main__': ddc = Dongchedi_class() ddc.run() |
item定义你要提取的内容(定义数据结构),比如我提取的内容为新能源汽车销量信息的所在城市和新能源汽车新能源汽车销量详情,于是需要在items类中新建对应的实体类,并需要设置相应的字段取出对应的数据。Field 方法实际上的做法是创建一个字典,给字典添加一个建,暂时不赋值,等待提取数据后再赋值。访问下载网页,Xpath语法提取内容
图3-3 新能源车采集数据结果
3.2 线性回归预测程序设计
任何模型的训练都离不开数据,因此收集数据构建数据集是必不可少的环节。比如现在要预测一套汽车的售价,那么你必须先要收集周围屋的售价,这样才能确保你预测的价格不会过高,或过低。如下表所示:
字段名 | 字段说明 | 字段类型 | 备注 | 是否必填 |
month | 销量榜时间 | int | 1000:表示一年 500:表示半年 202108:表示2021年8月 | 是 |
count | 返回的数据量 | int | 100:返回100辆车的数据 | 是 |
new_energy_type | 新能源汽车 | int | 1:纯电动 2:插电式混动 | 否 |
city | 城市名称 | varchar | 无 | 否 |
rank_data_type | 销量榜 | int | 11:销量榜 | 是 |
图3-3 数据采集字段
这段代码使用历史销量数据进行训练,然后基于线性回归模型预测未来销量。首先将数据集划分为训练集和测试集,然后创建并训练了一个线性回归模型。最后,我们使用模型对测试集进行预测并计算均方误差,同时也展示了如何用模型预测未来销量。。
import pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LinearRegressionfrom sklearn.metrics import mean_squared_error # 读取包含历史销量的数据集 data = { '年份': [2015, 2016, 2017, 2018, 2019], '销量': [100, 120, 140, 160, 180] } df = pd.DataFrame(data) # 定义特征和目标变量 X = df[['年份']] y = df['销量'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建线性回归模型 model = LinearRegression() # 在训练集上训练模型 model.fit(X_train, y_train) # 在测试集上进行预测 y_pred = model.predict(X_test) # 计算均方误差 mse = mean_squared_error(y_test, y_pred)print('均方误差:', mse) # 预测未来销量 future_years = [2020, 2021] future_df = pd.DataFrame({'年份': future_years}) future_sales = model.predict(future_df)print('预测的未来销量:', future_sales) |
任务主类编写成功后并提交到线性回归算法环境上,通过线性回归算法命令执行该线性回归算法作业。
3.3 本章小结
新能源汽车销量影响因素是新能源汽车销量产业中的重要指标之一,对于新能源汽车销售具有重要的指导意义。本节对新能源汽车销量平台中的销量信息进行了采集,通过数据清洗、处理和分析,得出了一些有关新能源汽车销量影响的结论。这也为新能源汽车销量预测提供了参考。
新能源汽车销量信息分析平台的基本业务功能是采用Flask框架实现的, 在本文的第四章将详细介绍后台系统的实现部分,包括详细阐述了系统功能模块的具体实现,并展示说明了部分模块的功能界面。
4.1 开发环境与配置
本系统设计基于B/S架构,其中服务器包括应用服务器和数据库服务器。这种架构模式,户只需要在有网络的地方即可通过浏览器访问,而不需要再安装客户端软件,交互性更强。基于大数据的新能源汽车销量信息分析平台Pycharm集成开发工具。而系统运行配置时,选择应用本地来部署Web服务器来保障平台的正常运行。本系统的主要开发环境以及开发工具如表4-1所示。
表4-1 系统开发环境和工具
项目 | 系统环境及版本 |
硬件环境 | Windows 64 位操作系统 |
Python | Python2.6 |
数据库 | MySql |
开发工具 | Pycharm |
项目架构 | Flask |
本系统集成开发工具Pycharm进行开发,由于 Pycharm 中本地配置详细资料有很多,不做详细赘述, 本文主要介绍 Flask框架配置。首先需要在项目中中引入各框架以及数据库连接等所需要工具包。
4.2 数据库的设计
数据库设计是系统设计中特别重要的一部分。数据库的好坏决定着整个系统的好坏,并且,在之后对数据库的系统维护、更新等功能中,数据库的设计对整个程序有着很大的影响。
根据功能模块的划分结果可知,本系统的用户由于账号和密码进行登录,因此在本系统中需要分别进行数据记录。首先根据如下6个数据实体:用户、新能源汽车销量信息等数据库表。
用户的属性包括用户编号、用户名、密码和性别、注册账号的时间。用户实体属性图如图4-2所示:
图4-2 用户实体属性图
根据以上分析,各个实体之间有一定的关系,使实体与实体可以联系起来,建立成整个系统的逻辑结构,本系统中,普通用户通过对新能源汽车销量信息的管理,使新能源汽车销量信息与用户实体存在对应关系。
4.3 系统功能模块实现
用户登录时需要在登录界面输入用户名、密码进行身份认证,要求必须是表单认证、校验。具体流程如时序图如4-2所示。
图4-2登录认证流程图
新能源汽车销量信息大数据分析系统的用户登录界面如下图所4-3所示:
图4-3用户登录界面
登陆成功后,系统会成功跳转至首页,在首页中,位于上方的横栏是对本系统的基本信息的描述和欢迎登录效果,另外登录用户的用户名也会显示在首页中,可直接表明用户己成功登录。左侧则是本系统的导航菜单,可折叠展示,较为方便,右方则为欢迎页效果。新能源汽车销量信息大数据分析系统的首页界面如下图所4-4所示:
图4-4新能源汽车销量信息大数据系统首页界面
4.3.2新能源汽车销量预测功能
新能源汽车销量信息管理功能是对新能源汽车销量信息进行查询,删除等操作的功能集合,新能源汽车销量信息管理功能到了新能源汽车销量信息表t_ house,新能源汽车销量信息表t_house的主要数据字段,结构,类型及描述如下表4-2所示。
表4-2 新能源汽车销量信息表字段
字段名称 | 数据类型 | 是否允许为空 | 描述 |
id | int | 不允许 | 自增主键,唯一ID |
cityname | String | 允许 | 所在城市名称 |
company | String | 允许 | 汽车名称 |
company_size | String | 允许 | 汽车规模 |
education | String | 允许 | 价格 |
experience | String | 允许 | 年限 |
industry | String | 允许 | 售卖年份 |
recruiter | String | 允许 | 新能源汽车类型 |
salary | String | 允许 | 议价范围 |
新能源汽车销量信息大数据分析系统的新能源汽车销量信息管理功能界面如下图所4-5所示:
图4-5销量预测界面
新能源汽车销量信息管理
功能流程功能图如图3-6所示:
图4-6 新能源汽车销量信息管理功能流程图
图4-6 新能源汽车销量数据管理界面
通过“新能源汽车销量信息管理”按钮,进入新能源汽车销量信息管理界面,用户可以看到新能源汽车销量信息列表,例如:汽车名称、所在城市、数量、新能源汽车销量要求、新能源汽车上市时间的详细信息。通过此界面,用户可以对新能源汽车销量信息进行删除管理操作。
4.3.3新能源汽车销售可视化
数据可视化模块就是对我们采集和计算的分析结果的展示。数据分析模块的
数据进行一个精美而又直接的展示,我们采用大屏的方式进行展示,展示数据结构分明,背景具有科技感,把相对复杂的、抽象的数据通过可视的、交互的方式
进行展示,从而形象直观地表达数据蕴含的信息和规律。新能源汽车销量信息大数据看板界面如图4-7所示。
图4-7新能源汽车销量信息销量看板界面
新能源汽车销量信息大数据分析可视化开发的难点并不在于图表类型的多样化,而在于如何能在简单的一页之内让用户读懂新能源汽车销量数据之间的层次与关联,这就关系到布局、色彩、图表、动效的综合运用。如排版布局应服务于业务,避免为展示而展示;配色一般以深色调为主,注重整体背景和单个视觉元素背景的一致性。本文Echarts中地图、线条等组件,将分析结果较为直观的展示给平台用户,使得用户能够简便的获取有效的信息。
4.4 本章小结
本章主要分析了基于大数据的新能源汽车销量信息分析系统开发过程中到的技术和具体的实现步骤,这其中主要介绍了基于Flask框架的新能源汽车销量信息大数据分析系统的搭建环境和开发步骤,包括程序中的一些数据库配置等。前端页面采用的是线性回归算法和Flask实现。
5总结与展望
5.1总结
由于新能源汽车销量信息分析平台是由本人独立开发,因此在系统设计和业务逻辑方面更多地借鉴了目前市场上较为流行的框架和技术点,包括大数据技术,很多是不熟悉没接触过的,在开发过程中不断学习新知识。另外由于本人的时间和精力的原因,在系统开发过程中有很多地方可能并不能够完全尽如人意,还有许多需要补充的功能与模块。
5.2未来展望
新能源汽车销量信息系统是在对相关管理范畴进行详细调研后,确定了系统涉及的领域,包括数据库设计、界面设计等,是一个具有实际应用意义的管理系统。根据本毕业设计要求,经过四个多月的设计与开发,大数据新能源汽车销量信息系统基本开发完毕。其功能基本符合用户的需求。
为保证有足够的技术能力去开发本系统,首先本人对开发过程中所用到的工
具和技术进行了认真地学习和研究,详细地钻研了基于Python的网络爬虫技术
以及Echarts, CSS, HTML等前端开发技术,同时还研究了 线性回归算法等。
从新能源汽车销量数据大数据分析平台需求分析开始,到整体框架的设计以及各个详细功能的设计具体实现,最后基于大数据平台的新能源汽车销量信息分析系统的基础架构和详细功能已经大致开发完毕,并将其部署在本地服务器当中运行,用户可以登录该系统进行新能源汽车销量信息的筛选,同时查询大数据的分析结果。
- 孙晓莹,李晓.数据挖掘在股票价格组合预测中的应用[J].计算机仿真,2012(7).
- BreimanL.Randomforests.MerchineLearning.2001.1845(1):5-32.
- 姚明煌,骆炎民.改进的线性回归及其在遥感图像中的应用[J].计算机工程与应用,2016,52(4):168-173..
- 秦林林.数据挖掘技术在新能源汽车销量影响预测中的应用研究[D].西南大学,2019.
- 颜家康.BP神经网络算法在新能源汽车销量影响预测中的应用研究[D].西南交通大学,2017.吕郁伟生等.
- PalaniappanS,AwangR.Intelligentheartdiseasepredictionsystemusingdataminingtechniques[C]//IEEE/ACSInternationalConferenceonComputerSystems&Applications.IEEE,2008.
- 吴建蓉,杨涛.数据挖掘技术在水利水电工程中的应用[J].水利水电科技进展,2022,42(05):129.
- 季晨洋,林杰.基于线性回归方法的甲醇期货价格预测与交易策略研究[J].上海管理科学,2023,45(01):113-118.
- SergioGuidon,DanielJ.Reck,KayAxhausen.Expandinga(n)(electric)bicycle-sharingsystemtoanewcity:Predictionofdemandwithspatialregressionandrandomforests[J].JournalofTransportGeography,2020,84(C).
- 王祖铭,李永刚,马雪中,方舸.基于粒子群优化算法线性回归模型的体外冲击波治疗泌尿系统结石疗效预测研究[J].医疗装备,2023,36(05):22-26+31.
- Liu Jingxin,Pan Yue,Nelson Mindy C,Gooden Lauren K,Metsch Lisa R,Rodriguez Allan E,Tross Susan,Del Rio Carlos,Mandler Raul N,Feaster Daniel J. Strategies of Managing Repeated Measures: Using Synthetic Random Forest to Predict HIV Viral Suppression Status Among Hospitalized Persons with HIV.[J]. AIDS and behavior,2023.
- 田惠玲,朱建华,何潇,陈新云,简尊吉,李宸宇,郭学媛,黄国胜,肖文发.基于线性回归模型的东北三省乔木林生物质碳储量预测[J].林业科学,2022,58(04):40-50.
- H. Piri Sahragard,M. R. Pahlavan-Rad. Prediction of Soil Properties Using Random Forest with Sparse Data in a Semi-Active Volcanic Mountain[J]. Eurasian Soil Science,2020,53(9).
- 吕倩倩.基于机器学习的新能源汽车销量影响预测[D].兰州大学,2017.
- Xu Yichen,Wang Mingxun,Chen Hao,Hu Fan. Prediction Model of Music Popular Trend Based on NNS and DM Technology[J]. Journal of Function Spaces,2022,2022.
在完成本篇论文的过程中,我得到了许多人的支持和帮助,在此一并表示感谢。
首先,我要感谢我的导师,在整个研究过程中给予了我无私的指导和帮助,提供了宝贵的思路和建议。他的耐心指导和鼓励使我更加深入地了解了数据挖掘技术和新能源汽车销量影响预测的相关知识和方法,让我受益匪浅。
其次,我要感谢我的同学和朋友,在我遇到困难和问题时给予了我无私的帮助和支持,共同探讨和研究,让我在学术研究上更加自信和坚定。
最后,我要感谢我的家人,在我学业和生活中一直给予我无限的关爱和支持,他们的支持和鼓励是我不断前进的动力源泉。
感谢所有给予我帮助和支持的人,正是因为有了你们的支持,我才能够完成这篇论文。