基于情感的非齐次马尔可夫链预测新能源汽车智能化需求的客户关注度

《Engineering Applications of Artificial Intelligence》：Forecasting customer attention to intelligent demands of new energy vehicles with a sentiment-based non-homogeneous Markov chain

　　

摘要

准确预测客户对新能源汽车（NEV）智能需求关注度的趋势，对于企业优化产品迭代策略至关重要。现有关于需求关注度预测的研究主要依赖历史话题频率或热度指标，而未能充分考虑客户情感与语义关联对智能需求演化的影响。为弥补这一缺口，本研究提出了一种基于情感的非齐次马尔可夫链模型（SNHMC），用于预测客户对线上评论中智能需求的关注度。该模型基于语义相似度和加权度中心性（WDC）确定初始转移概率，并通过引入不同时期各需求间的情感差异构建时变转移概率。基于23款新能源汽车25,472条有效线上评论的实证结果表明，SNHMC模型的预测精度优于基准模型。本研究识别出16项智能需求，其中智能驾驶辅助、语音识别及智能交互始终受到客户青睐，而智能自动变道、自动泊车及舒适功能等功能未来可能吸引更多关注。本研究为识别新兴智能需求提供了可解释的框架，并支持新能源汽车企业在功能开发与迭代中的决策。

引言

全球汽车行业正经历向新能源与智能化的双重转型（Shao等人, 2025）。客户对新能源汽车（NEV）的期望已超越机械性能、燃油经济性和品牌价值等传统因素，转而更加关注由人工智能（AI）驱动的智能化功能，如高级驾驶辅助系统和OTA升级（Yang等人, 2025）。智能化已成为新能源汽车市场竞争力的关键维度。因此，在日益激烈的市场竞争中，准确预测客户对智能需求的关注度，对新能源汽车企业优化功能开发至关重要（Li等人, 2024）。

为揭示新能源汽车客户需求的演变趋势，现有研究提出了多种基于线上评论的需求识别与预测方法。在需求识别方面，传统研究采用模糊综合评价法和德尔菲法等方法；近期研究则应用主题建模方法（如潜在狄利克雷分配，LDA）从线上评论中提取潜在客户需求（Zheng等人, 2023；Li等人, 2022；Tian等人, 2025）。在需求预测方面，以往研究使用了马尔可夫链模型（Chen等人, 2020）、自回归积分滑动平均（ARIMA）模型（Parmezan等人, 2019）、指数平滑法（Svetunkov等人, 2023）、回归模型（Lessmann和Vo?, 2017）、支持向量机（Jiang等人, 2020）、人工神经网络（ANN）（Farimani等人, 2022）、K近邻（KNN）（Hasan等人, 2024）、长短期记忆网络（LSTM）（Li等人, 2024）、灰色模型（GM）（Zeng等人, 2023）以及Bass扩散模型（Bian等人, 2024），并包括CNN-LSTM和灰色马尔可夫模型等混合方法（Zhang等人, 2023）。

现有研究主要基于话题频率、关键词热度或历史关注度份额预测未来需求趋势（Bian等人, 2024）。尽管部分研究纳入客户情感因素，但主要应用于销售预测，较少探讨情感动态如何影响需求关注度的预测。客户是否会持续关注某一特定智能需求，不仅取决于其在评论中的出现频率，还取决于客户满意度（Tian等人, 2025）。若某项智能功能频繁被提及且伴随强烈的负面情绪，说明该功能尚未达到预期，仍可能成为讨论和产品改进的重点（Zhang等人, 2023）。反之，若某项功能获得强烈的正面情感评价，则表明其体验较为成熟，客户关注度可能逐渐转向其他尚未得到充分满足的智能需求。

例如，对"语音交互"的频繁提及可能反映客户的正面反馈，也可能反映常见投诉（如响应迟缓、交互体验不佳）。若不考虑情感因素，难以判断该需求未来是否仍将持续重要。因此，将情感因素纳入需求关注度预测，有助于捕捉需求不仅"被提及的频率"，更包括"为何能持续吸引关注"。在此意义上，情感是推动需求关注度变化的重要因素（Shao等人, 2025）。

此外，在需求识别方面，现有研究主要依赖LDA模型。然而，LDA仅限于关键词聚类，无法自动生成具有语义意义的主题标签（Chen等人, 2020）。研究人员需基于主观判断手动为主题命名，这可能影响识别准确性。相比之下，大语言模型（LLMs）具备强大的语义理解与推理能力，能够直接解读需求相关关键词并自动完成标签标注与分类（Tian等人, 2025）。LLMs有助于减少主观偏差，提升产品需求识别的客观性。

因此，本研究旨在开发一种创新方法，用于预测新能源汽车智能需求的关注度。具体而言，本研究致力于解决两个研究问题：(i) 如何将大语言模型与LDA相结合，从线上评论中识别智能需求？(ii) 如何将客户情感融入预测模型，以有效预测未来对智能需求的关注度？针对第一个问题，本研究首先采用LDA从线上评论中发现潜在需求主题，随后借助大语言模型的上下文理解与语义生成能力，进行主题标签标注、语义分类及智能需求识别。这一集成方法提升了智能需求识别的准确性与可解释性（Fosso Wamba等人, 2024）。

针对第二个问题，我们构建了一种基于情感的非齐次马尔可夫链（SNHMC）模型。客户对新能源汽车智能需求的动态关注度是一种状态转移过程（Yang等人, 2025）。马尔可夫链模型尤其适用于建模需求演化，因其能够刻画状态间的转移（Li等人, 2025；Cui等人, 2018；Shao等人, 2025）。具体而言，本研究将客户情感因素纳入状态转移机制，结合语义相似度与节点重要性，以刻画需求演化过程。需求间的语义相似度通过双向变压器编码器表示（BERT）进行量化，加权度中心性用于衡量需求节点在网络中的影响力，而基于BERT生成的情感得分则用于动态调整转移概率。该方法保留了马尔可夫链在建模时序转移方面的优势，同时揭示了需求关注度变化背后的情感驱动因素。实证分析使用23款主流新能源汽车在2022年7月至2026年3月期间收集的线上评论数据对框架进行验证。实验结果显示，所提方法在多个指标上实现了更低的预测误差。与传统方法相比，我们的模型具有三大优势。首先，它显式建模需求间的转移，不同于时间序列预测模型。其次，它通过纳入情感因素动态更新转移概率，不同于传统马尔可夫链模型。第三，其稳定性和可解释性优于深度学习方法。

本研究的主要贡献有三方面。(1) 我们开发了一种基于情感的非齐次马尔可夫链，将情感与相似度纳入转移机制，突破了传统马尔可夫模型的齐次性假设，提升了预测性能。(2) 我们提出了一种LLM-LDA集成框架，用于从线上评论中自动识别与分类智能需求。(3) 我们基于大规模线上评论数据实证揭示了新能源汽车智能需求的时序演化模式，为功能优先级排序与市场策略设计提供了可操作的见解。

章节摘要

新能源汽车需求关注度预测

现有关于汽车需求预测的研究主要聚焦于新能源汽车销量、汽车零部件订单、充电需求、技术趋势及客户特征。早期研究多采用Bass模型、灰色模型和ARIMA模型等传统预测方法。例如，Fan等人（2017）、Pei和Li（2019）、Li等人（2022）、Zeng等人（2023）以及Gon?alves等人（2021）从客户视角出发预测新能源汽车销量或汽车零部件需求。

所提方法框架

为追踪新能源汽车智能需求的关注趋势，本研究提出了一种新颖的需求预测方法，包含三个步骤（见图1）。所提预测框架主要由本研究开发的情感基础非齐次马尔可夫链模型，以及大语言模型（LLMs）、潜在狄利克雷分配（LDA）和双向变压器编码器表示（BERT）构成。

• 第一步：线上评论处理。收集线上评论。

数据描述与处理

本研究从汽车之家平台共收集23款新能源汽车（NEV）的25,584条线上评论。经人工筛选与数据清洗后，剔除了112条无效评论，最终保留25,472条有效评论。数据时间跨度为2022年7月至2026年3月。所选新能源汽车包括大众ID.3、大众ID.4、极氪001、比亚迪驱逐舰05、比亚迪海豹、比亚迪秦PLUS、比亚迪宋PLUS、比亚迪汉DM、零跑C10、零跑C01、零跑C16、零跑C11、小鹏G6、小鹏P7等。

结论与未来研究

本研究提出了一种创新的多模型集成框架，以应对新能源汽车智能需求趋势的预测问题。我们构建了SNHMC模型，并将其与大语言模型（LLM）、潜在狄利克雷分配（LDA）和双向变压器编码器表示（BERT）相结合，从线上评论中提取、分类并预测智能需求的关注度。基于线上评论的实证分析验证了所提模型的有效性与稳健性。

我们的研究揭示了若干有趣发现：1）客户关注度集中于少数几项功能。

CRediT作者贡献声明

田平野：撰写—审阅与编辑、撰写—初稿、可视化、验证、监督、软件、形式化分析、数据整理、概念化。陈达：数据整理、概念化。

利益冲突声明

作者声明不存在可能影响本文工作的已知财务利益冲突或个人关系。

田平野|陈达

天津财经大学管理与经济学部，天津，300222，中国