中国汽车销售数据分析预测

中国汽车销售数据分析及预测,本数据为时间序列数据，建模也是用的时间序列的方法。

1数据读取

import pandas as pd
import numpy as np
!pip install openpyxl
import matplotlib as plt
!pip install statsmodels

car_data = pd.read_excel('/work/中国汽车总体销量.xlsx')
car_data.head()

2销量数据和销售时间

import matplotlib.pyplot as plt 
x = car_data['时间']
y = car_data['销量']
# 设置matplotlib正常显示中文和负号
# plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
# plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号 #有中文出现的情况，需要u'内容'
plt.figure(figsize=(15,5))
plt.plot(x, y)  # 使用x和y画折线图
plt.title(' Car sales ')  # 设置图的标题
plt.xlabel('time')  # 设置x轴的标签
plt.ylabel('sales')  # 设置y轴的标签
plt.grid(color = 'r', linestyle = '--', linewidth = 0.5)
plt.show()  # 显示图形

结果显示：

中国汽车销量数据折线图分析：整体来看从2008年到2023年每年的汽车销售数据量均在逐步增加，在2020年汽车销量直线式下跌，很大概率原因是因为新冠导致的。具体看到趋势图里面有周期因素在。

3周期因素

from statsmodels.tsa.seasonal import seasonal_decompose  
# 转换日期列为日期格式  
car_data['时间'] = pd.to_datetime(car_data['时间'])  
# 设置日期列为索引  
car_data.set_index('时间', inplace=True)  
# 进行季节性因素分析  
result = seasonal_decompose(car_data['销量'], model='multiplicative')  
# 绘制结果  
result.plot()  
plt.show()

可以看到有季节因素在里面，很规律的，下面我们建模就会考虑季节因素的。

4 建模

from statsmodels.tsa.arima.model import ARIMA 
# 使用ARIMA模型进行建模  
model = ARIMA(car_data['销量'], order=(2,3,4))    # 自回归阶数  差分  移动平均
model_fit = model.fit()  
# 打印模型摘要  
print(model_fit.summary())

建模结果显示：

最大似然为：-2791，这个指标我们只看绝对值，绝对值越小越好；第二个指标是：AIC:赤池信息量，这个也是越小越好；我们再看P值均通过检验，故模型效果很好。

5 预测

### 预测3期数据  
forecast = model_fit.forecast(steps=3)
print(forecast)

本数据是截止到2023-09的数据，预测3期，下面是预测结果：
2023-10 662922.322777
2023-11 672882.596872
2023-12 630179.046963