汪玉秀，顧巧祥，邢 超，馬志斌

（中國計量學(xué)院 質(zhì)量與安全工程學(xué)院，浙江 杭州 310018）

隨著人們生活水平的提高，客戶對于家用小汽車的需求逐漸多樣化、個性化.為了滿足客戶的個性化需求并在激烈的市場競爭中獲得優(yōu)勢，這就需要汽車經(jīng)銷商和生產(chǎn)企業(yè)對客戶的個性化需求進(jìn)行定量化預(yù)測，以便為經(jīng)銷商和汽車生產(chǎn)企業(yè)決策提供必要的依據(jù).

迄今為止，已有上百種較為成熟的預(yù)測方法，按照性質(zhì)可以分為定性預(yù)測、定量預(yù)測和定時預(yù)測，如經(jīng)驗估計法、回歸分析法、神經(jīng)網(wǎng)絡(luò)等.馬爾可夫預(yù)測法就是典型的定量預(yù)測方法，適用于短中期預(yù)測，預(yù)測精度較好.現(xiàn)實生活中很多問題都具有“無后效性”，即“已知系統(tǒng)目前狀態(tài)，未來的狀態(tài)與過去狀態(tài)無關(guān)”［1］，解決這類問題時，需要的信息量相對較少，但是能夠有效地解決問題，并且提高解決問題效率.馬爾可夫預(yù)測法也是一種時間序列分析法，理論十分完善.

俄國數(shù)學(xué)家馬爾可夫于1907年提出馬爾可夫性是一類重要的隨機(jī)過程，馬爾可夫過程便廣泛應(yīng)用于預(yù)測經(jīng)濟(jì)領(lǐng)域、教育領(lǐng)域、自然災(zāi)害、醫(yī)學(xué)、公共衛(wèi)生和機(jī)械裝配等領(lǐng)域.如朱春偉等建立了馬爾可夫模型，從而預(yù)測齒輪傳動的可靠性［2］；夏正威［3］、秦立公［4］、徐健清［5］、陳永［6］等已將馬爾可夫過程理論運用到對卷煙、農(nóng)產(chǎn)品、家具市場配貨及傳染病預(yù)測等方面；Wu等將馬爾可夫運用到了能源需求和自給率預(yù)測上［7］；Zhang、Tang等運用馬爾可夫鏈預(yù)測濕地的變化趨勢［8］；李莉運用灰色馬爾可夫?qū)π∨帕科囦N量進(jìn)行過預(yù)測［9］.

本文將以一汽大眾某4S店某款式汽車作為研究對象，提出另一種可供選擇的預(yù)測方法.該方法基于馬兒可夫過程，對汽車綜合特征如顏色、排量及版本類型對汽車銷售量的影響進(jìn)行預(yù)測，從而較準(zhǔn)確地預(yù)測對汽車需求的趨勢，判斷出汽車各種狀態(tài)所占比例，使經(jīng)營者掌握市場供求變化的規(guī)律，也為銷售和生產(chǎn)提供可靠性依據(jù)，從而可以提前做好備貨準(zhǔn)備并快速響應(yīng)市場需求.

1 基于馬爾可夫過程某汽車銷售預(yù)測方法

馬爾可夫過程（Markov process）是一類隨機(jī)過程，該過程在已知目前狀態(tài)（現(xiàn)在）的條件下，其未來的演變（將來）不依賴于它以往的演變（過去）.

假設(shè)馬爾可夫過程｛Xn，n∈T｝的參數(shù)集是離散的時間集合，T＝｛0，1，2，…｝，其相應(yīng)的 Xn可能取值的全體組成的狀態(tài)空間是離散的狀態(tài)I＝｛i1，i2，i3，…｝.設(shè)隨機(jī)過程｛Xn，n∈T｝，若對于任意的整數(shù)n∈T和任意的i0，i1，…in＋1∈I，條件概率滿足

則稱｛Xn，n∈T｝為馬爾可夫鏈，簡稱馬氏鏈.

家用汽車每月的銷售量具有不確定性，家用汽車每月的銷售量是一個隨機(jī)變量，若以每月為一個觀察周期，則每月的銷售量是一個隨機(jī)過程.在得知當(dāng)前月份銷售量的條件下，汽車未來的銷售量都不依賴于它以往的演變，所以汽車每月的銷售量具有馬爾可夫性.

圖1 基于馬爾可夫過程某汽車銷售預(yù)測方法Figure 1 Car sales forecasting method based on Markov process

現(xiàn)以某4S店一汽大眾邁騰為例，根據(jù)隨機(jī)過程理論——馬爾可夫過程理論，在分析其汽車銷售情況的基礎(chǔ)上，采用顏色、排量及版本類型建立銷售預(yù)測模型狀態(tài)空間S.用統(tǒng)計方法和市場調(diào)研等方法，進(jìn)一步對某汽車銷售門店的銷售數(shù)據(jù)進(jìn)行分析，確定狀態(tài)空間的初始概率S（t），選擇1—8月銷售數(shù)據(jù)確定一階轉(zhuǎn)移概率P（1），進(jìn)而計算出9、10及11月的銷售情況，并與實際銷售情況進(jìn)行比較分析.如果誤差在可接受范圍內(nèi)，說明此方法具有較好的預(yù)測性，進(jìn)而可以預(yù)測任意狀態(tài)t＋1時刻某汽車銷售情況S（t＋1），從而為經(jīng)銷商和汽車生產(chǎn)企業(yè)決策提供必要的依據(jù)，提前做好備貨準(zhǔn)備以快速響應(yīng)市場需求.具體方法如圖1.

其中用某汽車各狀態(tài)的使用數(shù)量計算汽車綜合特征狀態(tài)的初始狀態(tài)的概率分布，汽車各狀態(tài)的概率分布計算公式為

∑Ni表示所研究的狀態(tài)空間中特定時間內(nèi)Ei出現(xiàn)的次數(shù)總和，Ni表示該狀態(tài)空間中某指定Ei出現(xiàn)的次數(shù)，其中i＝｛1，2，…，n｝.

設(shè)數(shù)據(jù)由狀態(tài)Ei經(jīng)過k步變?yōu)闋顟B(tài)Ej的次數(shù)記為n（k）ij，狀態(tài)Ei出現(xiàn)的次數(shù)記為Ni，則由狀態(tài)經(jīng)過k步變?yōu)闋顟B(tài)Ej的轉(zhuǎn)移概率為

由此概率公式可以構(gòu)造轉(zhuǎn)移概率矩陣，即可以得到各個狀態(tài)間發(fā)生的轉(zhuǎn)移概率

假設(shè)S（t）是某月份的初始分布行向量.根據(jù)狀態(tài)空間的初始概率S（t）和一階轉(zhuǎn)移概率P（1）可以預(yù)測下一階段狀態(tài)空間的組成概率S（t＋1），即

2 基于馬爾可夫過程的某汽車銷售狀態(tài)空間建立

根據(jù)調(diào)查和分析，客戶對汽車的需求主要集中在顏色、排量及版本類型三個方面，所以用此來建立銷售預(yù)測模型狀態(tài)空間S.其中用Ei＝｛Al，Bj，Ck｝表示某汽車的具體綜合特征狀況，即顏色是Al，排量是Bj，版本類型是Ck.

Al＝｛A1，A2，…，A6｝表示汽車的顏色狀況，分別表示冰川藍(lán)、糖果白、幻影黑、開金羅、摩卡棕及發(fā)射銀；Bj＝（B1，B2，B3）表示汽車的排量狀況，分別表示1.4T、1.8T及2.0T 的排量；Ck＝（C1，C2，…，C5）表示汽車的版本類型，分別表示舒適型、領(lǐng)先型、豪華型、尊貴型及旗艦型.其中排量是1.4T只有舒適型和豪華型的；1.8T的有舒適型、領(lǐng)先型、豪華型及尊貴型；2.0T的有豪華型、尊貴型及旗艦型.

設(shè)該研究系統(tǒng)有n個互不相容的狀態(tài)，則初始向量為

式中Sj（0）為系統(tǒng)處在狀態(tài)j的初始概率.

經(jīng)過t步轉(zhuǎn)移后系統(tǒng)處于狀態(tài)j的概率為Sj（t），則t步轉(zhuǎn)移后的狀態(tài)向量為

式中Sj（t）為系統(tǒng)t時刻處于狀態(tài)j的概率.

于是綜合了汽車顏色、排量及版本類型，建立的汽車銷量馬爾可夫預(yù)測模型為

當(dāng)初始狀態(tài)向量S（0）和狀態(tài)轉(zhuǎn)移概率矩陣P（1）已知時，便可以利用上述預(yù)測模型，預(yù)測在t時刻系統(tǒng)所處的狀態(tài)［10］.

因為該種類型的車是中檔車，所以對汽車功率的要求很高，因此剔除小排量1.4T的相關(guān)數(shù)據(jù)，以下的研究只包括排量是1.8T及2.0T的所有情況.所以，研究狀態(tài)從原先的54（C））種變成42（））種，研究對象也從原先的120輛變成115輛.如E1代表A1B2C1，表示的是一輛顏色為冰川藍(lán)，排量為1.8T的舒適型的某汽車.具體包括的42種情況如表1.

表1 汽車綜合特征情況表Table 1 Comprehensive characteristics of cars

隨著時間的推移，每一狀態(tài)都有可能向其它狀態(tài)進(jìn)行轉(zhuǎn)移.所以，按照時間先后順序，可以得到某汽車1—11月115輛的轉(zhuǎn)移情況，如表2.

表2 實際銷售狀況表Table 2 Actual sales of cars

3 某汽車銷售狀態(tài)空間初始概率及一階轉(zhuǎn)移概率確定

按照銷售時間的先后順序，對一汽大眾某4S店1月至11月某汽車的銷售數(shù)據(jù)進(jìn)行分類整理，可以得到汽車各種狀態(tài)所占百分比，即各月的初始狀態(tài)概率.

首先，設(shè)S（t）是某汽車在t月的各種狀態(tài)的概率，其中t∈｛1，2，3…，11｝，根據(jù)公式（1），可以得到一汽大眾某汽車連續(xù)11個月的各種狀態(tài)所占百分比（其中Ei表示汽車的42種研究狀態(tài)，Y（t）表示每月各狀態(tài)的實際概率），具體情況如表3.

表3 汽車狀態(tài)原始概率分布表Table 3 Original probability distribution

（續(xù)表）

根據(jù)某汽車各種狀態(tài)每月的概率分布運用馬爾可夫過程進(jìn)行汽車各種狀態(tài)的演（見表3），可以得到8月的初始概率分布

運用馬爾可夫過程對汽車各狀態(tài)演化進(jìn)行研究的關(guān)鍵在于建立狀態(tài)轉(zhuǎn)移概率矩陣P（1）（在時刻t系統(tǒng)狀態(tài)為S（t），在下一時刻t＋1系統(tǒng)轉(zhuǎn)移到狀態(tài)S（t＋1）的概率.根據(jù)銷售時間先后順序?qū)δ称?2種狀態(tài)情況進(jìn)行處理，并計算數(shù)據(jù)由狀態(tài)Ei經(jīng)過k步變?yōu)闋顟B(tài)Ej的次數(shù)n（k）ij，狀態(tài)Ei出現(xiàn)的次數(shù)Ni，以便構(gòu)造一步轉(zhuǎn)移概率矩陣P（1）.現(xiàn)以1—8月的數(shù)據(jù)為例，按照時間先后順序?qū)?shù)據(jù)進(jìn)行匯總分類，可得到某汽車各種狀態(tài)的轉(zhuǎn)移頻數(shù)如表4.

表4 汽車狀態(tài)轉(zhuǎn)移頻數(shù)表Table 4 Sate transition frequency table

根據(jù)公式（2）和（3），并結(jié)合表4可以得到某汽車的一步轉(zhuǎn)移概率矩陣P（1）：

4 實例論證及結(jié)果分析

下一階段狀態(tài)空間的組成概率預(yù)測結(jié)果S（t＋1），不僅可以為選擇汽車顏色、排量及版本類型提供定量依據(jù)，還可以為生產(chǎn)、制造和服務(wù)的準(zhǔn)備工作提供依據(jù).然后，運用Matlab根據(jù)公式（4），對某汽車9、10及11月份的各種狀態(tài)進(jìn)行預(yù)測，可以得到這3個月的預(yù)測概率：

為了對模型擬合與預(yù)測的效果進(jìn)行評估，需要對某汽車各種狀態(tài)的預(yù)測值和實際值進(jìn)行比較分析.每月的絕對誤差（AE）及平均絕對誤差（MAE）計算如下：

根據(jù)公式（11）和（12），可以得到9—11月某汽車42種狀態(tài)的實際值、預(yù)測值、絕對誤差和平均絕對誤差，結(jié)果如表5.

表5 某汽車42種狀態(tài)的絕對誤差與平均絕對誤差Table 5 Absolute error and Mean absolute error

觀察9月、10月及11月某汽車42種狀態(tài)的絕對誤差，發(fā)現(xiàn)9月與10月份有的誤差較大，這是因為9月與10月是銷量黃金時期，而使用的初始概率是8月份汽車各狀態(tài)所占比重，并且該模型是結(jié)合三種特征進(jìn)行建立的.但是每月的絕對誤差均在5% 以內(nèi)，分別是3.22%、2.99%、3.24%，平均絕對誤差僅為3.15%，也在5%以內(nèi).所以認(rèn)為誤差在可接受范圍內(nèi)，即預(yù)測的結(jié)果與實際狀態(tài)過程基本相符，說明了馬爾可夫模型在汽車銷售預(yù)測上具有較好的準(zhǔn)確性.證明了馬爾可夫模型在汽車綜合特征狀態(tài)轉(zhuǎn)移中運用的可靠性，因此可以用該模型對某汽車各種狀態(tài)12月份的分布情況進(jìn)行預(yù)測.

5 某汽車下一狀態(tài)空間預(yù)測

為了使預(yù)測結(jié)果更加精確，選擇11月為初始概率，根據(jù)1—11月的數(shù)據(jù)得到的轉(zhuǎn)移概率矩陣，對12月份某汽車各種狀態(tài)的概率分布進(jìn)行預(yù)測.根據(jù)以上步驟，1—11月份的轉(zhuǎn)移概率矩陣如下：

根據(jù)預(yù)測公式，可以計算出12月份某汽車各種狀態(tài)的預(yù)測結(jié)果，如表6.

表6 某汽車12月的預(yù)測值Table 6 Car sale forecast data in December

結(jié)果表明12月份最暢銷的三款分別是E39（A6B2C4）、E21（A3B3C5）和E34（A5B3C4），即最暢銷的三款分別是發(fā)射銀色的1.8T尊貴型、幻影黑色的2.0T旗艦型及摩卡棕色的2.0T尊貴型，分別占12.21%、9.09%及9.09%.

6 結(jié) 語

本文綜合“汽車顏色、排量及版本類型”三個因素，建立了馬爾科夫過程的4S店汽車銷量預(yù)測模型，提供了一種可供選擇的預(yù)測方法.從結(jié)果可以看出汽車每月的預(yù)測值與實際值的絕對誤差和平均絕對誤差均在5%以內(nèi).因為該預(yù)測只考慮了三個因素就達(dá)到了較高的精度，模型預(yù)測準(zhǔn)確性較好，所以可對12月份汽車各狀態(tài)概率分布進(jìn)行預(yù)測.若結(jié)合預(yù)測的汽車銷量，可以得到汽車各種狀態(tài)的汽車數(shù)量，從而可以提前配置好各種顏色、排量及版本類型的汽車.

運用科學(xué)的方法，能夠準(zhǔn)確有效地分析汽車市場的真正需求，預(yù)見汽車市場的變化趨勢，能使汽車銷售商提前做好備貨準(zhǔn)備并快速地響應(yīng)市場，也能夠使經(jīng)營者掌握市場供求變化的規(guī)律，為汽車的生產(chǎn)和銷售決策提供可靠的依據(jù).

［1］馬紅燕，崔杰.基于馬爾可夫鏈的人口高密度地區(qū)強(qiáng)震人員傷亡預(yù)測方法［J］.價值工程，2015，34（21）：234－235.MA Hongyan，CUI Jie.Markov－chain－based Model for predicting casualties during strong earthquakes of high population density areas［J］.Value Engineering，2015，34（21）：234－235.

［2］朱春偉，任傳勝.齒輪傳動可靠性預(yù)測之馬爾可夫模型［J］.機(jī)械研究與應(yīng)用，2013，26（3）：59－61.ZHU Chunwe，REN Chuansheng.Forecasting of gear transmission reliability based on Markov Chain［J］.Mechanical Research and Application，2013，26（3）：59－61.

［3］夏正威.基于灰色馬爾可夫模型的卷煙需求預(yù)測［J］.上海第二工業(yè)大學(xué)學(xué)報，2013，30（2）：101－105.XIA Zhengwei.Study on the prediction of cigarette demand using Grey Markov model［J］.Journal of Shanghai Second Polytechnic University，2013，30（2）：101－105.

［4］秦立公，韋金榮，劉忠萍.基于馬爾可夫鏈的農(nóng)產(chǎn)品價格趨勢預(yù)測及 Matlab實現(xiàn)［J］.安徽農(nóng)業(yè)科學(xué)，2013，41（13）：6008－6009，6011.QIN Ligong，WEI Jinrong，LIU Zhongping.Prediction of agricultural products price trend based on Makcov chain and realizing by Matlab［J］.Anhui Agricultural Sciences，2013，13（41）：6008－6009，6011.

［5］徐健清.馬爾可夫鏈在家具市場配貨預(yù)測中的應(yīng)用［J］.宜賓學(xué)院學(xué)報，2014，14（6）：7－9，17.XU Jianqing.Appication of Markov chain in allocation prediction of the furniture market［J］.Journal of Yibin University，2014，14（6）：7－9，17.

［6］陳永，馮元，龐思偉.基于灰色馬爾可夫模型的傳染病預(yù)測［J］.信息與電腦，2010（2）：45－46.CHEN Yong，F(xiàn)ENG Yuan，PANG Siwei.The prediction of infectious diseases based on the Grey Markov model［J］.China Computer and Communication，2010（2）：45－46.

［7］WU Kai，LIN Zhenghui.Application of Markov chain in VLSI power estimation［J］.Computer Engineering，2003，29（13）：162－164.

［8］ZHANG Rongqun，TANG Chenjie，MA Suhua.Using Markov chains to analyze changes in wetland trends in arid Yinchuan Plain，China［J］.Mathematical and Computer Engineering，2011，54：924－930.

［9］李莉.基于灰色馬爾可夫鏈的小排量汽車銷售預(yù)測研究［J］.計算機(jī)光盤軟件與應(yīng)用，2014（5）：123－125.LI Li.Research on the forecast of low－emission car sales based on Grey Markov chain［J］.Computer CD Software and Applications，2014（5）：123－125.

［10］文士發(fā)，徐梅，王福林，等.一種估算馬爾柯夫狀態(tài)轉(zhuǎn)移概率矩陣的新方法［J］.數(shù)學(xué)的實踐與認(rèn)識，2014，44（8）：164－169.WEN Shifa，XU Mei，WANG Fulin，et al.A new method to estimate Markov State Transition Probability Matrix［J］.Mathematics in Practice and Theory，2014，44（8）：164－169.