基于Prophet-SRP混合模型的中国新能源汽车市场预测研究：趋势、周期与政策启示

《Renewable Energy Focus》：Forecasting China’s new energy vehicle market using prophet-SRP

本文提出一种新颖的混合预测框架Prophet-SRP，通过结合Prophet模型的趋势季节分解能力与多头注意力机制的季节性残差预测器（SRP），精准捕捉中国新能源汽车（NEV）市场的复杂动态。实证表明该模型在精度、稳定性和局部波动建模上均优于八种基线方法，为2025-2030年NEV市场（以乘用车PV为主导、纯电动车BEV为核心）的持续扩张与周期波动提供关键预测依据，对碳中和（CO2）目标下的政策制定具有重要参考价值。

　　

亮点

我们的研究亮点在于：

(1) 混合建模策略：通过整合Prophet模型与季节性残差预测器（Seasonal Residual Predictor, SRP），本模型能同步捕捉新能源汽车（NEV）数据的长期趋势、季节性模式以及短期波动。Prophet擅长处理宏观趋势与周期特征，而SRP机制则精于识别数据中的细微波动和复杂关联，这种互补设计实现了全局与局部特征的双重建模，从而提升预测精度。

(2) 多尺度时间特征模块（Multi-Scale Temporal Feature Module, MSTFM）：该模块采用多头注意力机制（Multi-Head Attention），旨在捕捉时间序列数据中的长期依赖性。此机制通过并行学习不同表示子空间的信息，增强了模型感知复杂数据模式的能力，从而强化了模型识别非线性关系并将历史数据模式与未来结果准确关联的本领。

(3) 频率分解增强（Frequency Decomposition Enhancement, FDE）：模型特别加入了一个频率分解层，以应对NEV数据中固有的多尺度波动特征。通过分解不同时间尺度的周期模式——包括短期波动（例如，销售中的月度促销活动）、中期变化（例如，季度政策调整）和长期趋势（例如，年度增长趋势）——该层使模型能更精准地捕捉数据中的 distinct 频率成分，进而提高预测准确性。

方法

为了精准预测未来NEV趋势，同时应对NEV产销数据的独特特征，本文提出了混合Prophet-SRP模型。首先，使用Prophet模型捕捉时间序列中的长期趋势和主要季节性模式，生成初步预测。随后，将Prophet模型初步预测与实际值之间的残差序列输入SRP模块，该模块利用其多尺度时间特征模块（MSTFM）和频率分解增强（FDE）层来学习和预测这些残差中的复杂模式。最终，将Prophet的初步预测与SRP模块的残差预测相结合，得到最终的精准预测结果。

实验设置与评估

本研究使用的数据集来源于国际能源署（International Energy Agency, IEA）和中国汽车工业协会（China Association of Automobile Manufacturers, CAAM）。该综合数据集涵盖16个车辆类别，包括新能源汽车（NEV）、纯电动车（BEV）、插电式混合动力车（PHEV）、乘用车（PV）和商用车（CV）。表1详细列出了所有16个车辆类别在产销量上的训练和验证周期。这种特定的时间划分旨在促进...

结论

本研究通过采用改进的时间序列预测模型Prophet-SRP（该模型整合了Prophet算法和SRP机制），对中国NEV市场的生产和销售进行了预测。通过对月度NEV产销数据进行广泛的实证分析，研究生成了覆盖未来五年的16个关键数据集的预测结果，从而既提供了方法论贡献，也提供了实践见解。

从方法论角度看，主要...