基于Python的新能源汽车销量分析与预测系统

温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :)

1. 项目简介

基于Python的新能源汽车销量分析与预测系统是一个使用Python编程语言和Flask框架开发的系统。它可以帮助用户分析和预测新能源汽车的销量情况。该系统使用了关系数据库进行数据存储，并使用了一些前端技术如HTML、JavaScript、jQuery、Bootstrap和Echarts框架来实现用户界面的设计和交互。

该系统的主要功能包括：

数据采集和清洗：通过网络爬虫采集新能源汽车销售数据，并对数据进行清洗、数据库存储，以便后续分析使用。
数据可视化：将清洗后的数据以图表的形式展示，如折线图、柱状图等，帮助用户直观地了解销量情况和趋势。
数据分析：通过统计学和机器学习算法对销售数据进行分析，提取关键特征和规律，帮助用户发现影响销量的因素。
销量预测：基于历史销售数据和分析结果，采用ARIMA差分自回归移动平均算法、决策树回归和Ridge岭回归等预测模型对未来销量进行预测，帮助用户做出决策和制定销售策略。

通过该系统，用户可以方便地进行新能源汽车销量分析和预测，从而更好地了解市场需求和制定销售策略。

2. 新能源汽车销量数据采集

本系统利用Python网络爬虫技术采集某汽车排行榜网站的历史月度销售数据：

ef factory_car_sell_count_spider():
    """
    新能源汽车销量
    """
    # ......
    # 查询数据库中最新数据的日期
    query_sql = "select year_month from car_info order by year_month desc limit 1"
    cursor.execute(query_sql)
    results = cursor.fetchall()

    if len(results) == 0:
        start_year_month = '201506'
    else:
        start_year_month = results[0][0]
    print("start_year_month:", start_year_month)

    base_url = 'https://xxx.xxxxx.com/ev-{}-{}-{}.html'

    # ......
    while start_year_month < cur_date:
        for page_i in range(1, 10):
            try:
                url = base_url.format(start_year_month, start_year_month, page_i)
                resp = requests.get(url, headers=headers)
                resp.encoding = 'utf8'
                soup = BeautifulSoup(resp.text, 'lxml')

                table = soup.select('table.xl-table-def')
                trs = table[0].find_all('tr')
                # 过滤表头
                for tr in trs[1:]:
                    tds = tr.find_all('td')
                    # 车型
                    car_name = tds[1].text.strip()
                    # 销量
                    # ......
                    factory = tds[3].text.strip()
                    # 售价
                    price = tds[4].text.strip()
                    car_info = (start_year_month, car_name, factory, sell_count, price)
                    print(car_info)
                    factory_month_sell_counts.append(car_info)
            except:
                break
            time.sleep(1)

        # 下个月份
        start_year_month = datetime.strptime(start_year_month, '%Y%m')
        start_year_month = start_year_month + relativedelta(months=1)
        start_year_month = start_year_month.strftime('%Y%m')

    # 采集的数据存储到数据库中
    # ......

3. 新能源汽车销量分析与预测系统

3.1 系统首页与注册登录

3.2 中国汽车总体销量走势分析

3.3 不同品牌汽车销量对比分析

3.4 基于机器学习回归算法的汽车销量分析

分别利用ARIMA差分自回归移动平均算法、决策树回归和Ridge岭回归等预测模型，对2015年~2023年所有新能源汽车月度销量数据就行建模训练，并预测最新下一个月度的销量：

@api_blueprint.route('/factory_month_year_sell_count_predict/<factory>/<algo>')
def factory_month_year_sell_count_predict(factory, algo):
    """
    汽车销量预测
    """
    tmp = factory_month_sell_counts[factory_month_sell_counts['厂商'] == factory]
    tmp = tmp.drop_duplicates(subset=['时间'], keep='first')
    year_months = tmp['时间'].values.tolist()
    sell_counts = tmp['销量'].values.tolist()

    # 销量预测算法
    predict_sell_count = 0
    if algo == "arima":
        predict_sell_count = arima_model_train_eval(sell_counts)
    elif algo == 'tree':
        predict_sell_count = decision_tree_predict(sell_counts)
    elif algo == 'ridge':
        predict_sell_count = ridge_predict(sell_counts)
    else:
        raise ValueError(algo + " not supported.")

    # 下一个月度
    next_year_month = datetime.strptime(year_months[-1], '%Y%m')
    next_year_month = next_year_month + relativedelta(months=1)
    next_year_month = next_year_month.strftime('%Y%m')

    year_months.append(next_year_month)
    # 转为 int 类型
    predict_sell_count = int(predict_sell_count)
    sell_counts.append(predict_sell_count)
    return jsonify({
        'x': year_months,
        'y1': sell_counts,
        'predict_sell_count': predict_sell_count
    })

切换为柱状图可视化，红色为预测的下一个月度的销量：

4. 总结

本项目通过网络爬虫采集新能源汽车销售数据，并对数据进行清洗、数据库存储，以便后续分析使用。将清洗后的数据以图表的形式展示，如折线图、柱状图等，帮助用户直观地了解销量情况和趋势。通过统计学和机器学习算法对销售数据进行分析，提取关键特征和规律，帮助用户发现影响销量的因素。基于历史销售数据和分析结果，采用ARIMA差分自回归移动平均算法、决策树回归和Ridge岭回归等预测模型对未来销量进行预测，帮助用户做出决策和制定销售策略。

欢迎大家点赞、收藏、关注、评论啦，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :)

精彩专栏推荐订阅：

1. Python 毕设精品实战案例
2. 自然语言处理 NLP 精品实战案例
3. 计算机视觉 CV 精品实战案例