,

(上海理工大學(xué) 管理學(xué)院,上海 200093)

隨著人們生活水平的提高,私家車越來越普及,同時國家對私家車排照的管理也越為嚴(yán)格.對于北京、上海等實施拍牌政策的地區(qū),私家車牌照更是千金難求,多年來車牌競拍都是社會關(guān)注的熱點問題之一.隨著城市車輛的增多,我國更多地區(qū)開始限牌,或?qū)⒁M(jìn)汽車牌照拍賣政策.目前,關(guān)于車牌拍賣價格預(yù)測模型的研究較少,其中,臧其事[1]運用神經(jīng)網(wǎng)絡(luò)模型預(yù)測上海車牌價格,預(yù)測結(jié)果誤差在10%以內(nèi),并得到上海車牌價格從長期來看呈現(xiàn)上漲趨勢這一結(jié)論.因此,對牌照拍賣價格預(yù)測的研究具有較高的現(xiàn)實意義.

本文通過相關(guān)性分析發(fā)現(xiàn)歷史數(shù)據(jù)適用于短期價格預(yù)測,隨后主要應(yīng)用三次指數(shù)平滑法及動態(tài)三次指數(shù)平滑法對滬牌拍賣月均價進(jìn)行了預(yù)測.另外,對這兩種方法的MSE和相對誤差進(jìn)行了比較分析,發(fā)現(xiàn)動態(tài)三次指數(shù)平滑法預(yù)測結(jié)果更優(yōu),且較為穩(wěn)定.

1 指標(biāo)相關(guān)性及研究方法

與拍牌月成交均價直接相關(guān)的影響因素有車牌投放數(shù)量、投標(biāo)人數(shù)以及歷史數(shù)據(jù).對2015年和2016年的數(shù)據(jù)進(jìn)行相關(guān)性分析,結(jié)果如表1～3所示,其中前1月到前10月表示以各月為基準(zhǔn)的前10個月的歷史平均成交價.

表1 2015年投放數(shù)量、投標(biāo)人數(shù)、歷史數(shù)據(jù)與月平均成交價相關(guān)性Tab.1 Correlation between the influencing factors and the average price in 2015

表2 2016年投放數(shù)量、投標(biāo)人數(shù)、歷史數(shù)據(jù)與月平均成交價相關(guān)性Tab.2 Correlation between the influencing factors and the average price in 2016

表3 2015-2016年投放數(shù)量、投標(biāo)人數(shù)、歷史數(shù)據(jù)與月平均成交價相關(guān)性Tab.3 Correlation between the influencing factors and the average price in 2015-2016

由表3可以發(fā)現(xiàn),從長期來看,投放數(shù)量、投標(biāo)人數(shù)、歷史數(shù)據(jù)都與月平均成交價在0.01水平上顯著相關(guān).由表1和表2可以發(fā)現(xiàn),投放數(shù)量在2016年與月平均成交價在0.01水平上顯著相關(guān),而在2015年不相關(guān);投標(biāo)人數(shù)在2015年與月平均成交價在0.01水平上顯著相關(guān),而在2016年不相關(guān).這說明投放數(shù)量、投標(biāo)人數(shù)不適用于車牌月平均成交價的短期預(yù)測.同時,表1～2中歷史數(shù)據(jù)與月均價的相關(guān)性有所波動,但仍表現(xiàn)出顯著相關(guān)性.此外,從長期來看,車牌拍賣價格雖然受經(jīng)濟、政策、文化等各方面因素的影響,但在短期內(nèi)這些外部環(huán)境變化不大,利用近期的歷史數(shù)據(jù)對月均價作出預(yù)測具有較高的參考價值.本文選取三次指數(shù)平滑法作為預(yù)測模型.

指數(shù)平滑法[2-8]由布朗提出,是在歷史數(shù)據(jù)的基礎(chǔ)上,利用指數(shù)加權(quán)法進(jìn)行預(yù)測的一種方法,已被廣泛運用于預(yù)測模型中.其中,三次指數(shù)平滑法常用于預(yù)測具有一定趨勢的非線性時間序列.對上海車牌成交月均價進(jìn)行分析,發(fā)現(xiàn)其具有明顯的非線性增長趨勢,故該模型適用于車牌成交月均價的短期預(yù)測.三次指數(shù)平滑法理論簡單、操作方便、預(yù)測效果好,是常用的預(yù)測方法之一.Taylor等[9]為了對短期電力需求作出預(yù)測,提出了一種新的雙季季節(jié)性三次指數(shù)平滑,這種預(yù)測模型能較好地保留電力需求的雙季節(jié)特征.Burkom 等[10]分別利用3種時間序列預(yù)測方法,即非自適應(yīng)回歸模型、自適應(yīng)回歸模型以及三次指數(shù)平滑法,對生物監(jiān)測進(jìn)行預(yù)測,比較3種方法在16種真實數(shù)據(jù)流中預(yù)測的準(zhǔn)確性,結(jié)果顯示三次指數(shù)平滑法的預(yù)測優(yōu)于其他兩種.Tratar 等[11]利用多元回歸和三次指數(shù)平滑法,分別以每月、每周和每日為基準(zhǔn),對短期和長期熱負(fù)荷進(jìn)行預(yù)測,結(jié)果顯示多元回歸法對每日和每周的短期預(yù)測效果較好,而三次指數(shù)平滑對長期和每月短期預(yù)測效果較好.Chen等[8]將三次指數(shù)平滑用于單頻GPS接收機電子總含量計算的誤差預(yù)測,依據(jù)前六天的計算誤差值來預(yù)測第七天的誤差,從而改進(jìn)電子總含量的計算方法.傳統(tǒng)的指數(shù)平滑法中平滑因子固定,而動態(tài)指數(shù)平滑法[12-15]擁有動態(tài)的平滑因子,能更好地適應(yīng)時間序列的變化趨勢.

2 傳統(tǒng)三次指數(shù)平滑法

一次指數(shù)平滑法常用來預(yù)測趨勢不明顯的時間序列,二次指數(shù)平滑能較好地預(yù)測有明顯趨勢且為線性的時間序列,三次指數(shù)平滑法是對二次指數(shù)平滑再進(jìn)行一次平滑,常常用于對有明顯趨勢且呈非線性的時間序列進(jìn)行預(yù)測.其基本模型如以下所示.

a. 歷史數(shù)據(jù)平滑.

(1)

式中:α為平滑因子;t為時間序號;Xt為歷史數(shù)據(jù);St(1)為一次指數(shù)平滑值;St(2)為二次指數(shù)平滑值;St(3)為三次指數(shù)平滑值.

b. 預(yù)測.

(2)

at=3St(1)-3St(2)+St(3)

(3)

(10-8α)St(2)+(4-3α)St(3)]

(4)

(5)

c. 預(yù)測精度評價.

此處采用均方誤差(MSE)對該方法的預(yù)測精度進(jìn)行評價,以選出最優(yōu)的平滑因子α,當(dāng)MSE最小時,α最優(yōu).其中

(6)

3 動態(tài)三次指數(shù)平滑法

動態(tài)三次指數(shù)平滑法由傳統(tǒng)的三次指數(shù)平滑法改進(jìn)而來,其平滑因子在不同次的預(yù)測中不同,每次預(yù)測時平滑因子都會依據(jù)現(xiàn)有歷史數(shù)據(jù)進(jìn)行自我調(diào)整,從而達(dá)到更好的預(yù)測效果.在動態(tài)三次指數(shù)平滑法中,αk表示第k次預(yù)測時的動態(tài)平滑因子,并令

(7)

則其基本模型如以下所示.

a. 歷史數(shù)據(jù)平滑.

(8)

b. 預(yù)測.

k=1,2,3,…

(9)

其中,

c. 預(yù)測精度評價.

k=1,2,3,…

(13)

4 應(yīng)用實例——滬牌拍賣月均價預(yù)測

圖1(見下頁)為2014—2016年滬牌成交月均價,可以看出該數(shù)據(jù)集呈明顯的非線性增長趨勢,且后半部分出現(xiàn)一定程度的周期性,故而適合使用三次指數(shù)平滑法來做預(yù)測.本文分別利用傳統(tǒng)三次指數(shù)平滑法和動態(tài)三次指數(shù)平滑法對滬牌拍賣月均價進(jìn)行預(yù)測,表4為2016年各月滬牌平均成交價格(數(shù)據(jù)來源于國拍網(wǎng)),本文以1～10月的數(shù)據(jù)為歷史數(shù)據(jù),對11月和12月的平均成交價進(jìn)行預(yù)測.

4.1 傳統(tǒng)三次指數(shù)平滑法預(yù)測

圖1 2014-2016年各月滬牌平均成交價格Fig.1 Shanghai license plate monthly averageprices in 2014 to 2016

表5 三次指數(shù)平滑法預(yù)測結(jié)果Tab.5 Predicted results based on the three exponential smoothing method

表6 相對誤差Tab.6 Relative error

4.2 動態(tài)三次指數(shù)平滑法預(yù)測

此處利用Matlab實現(xiàn)對滬牌2016年11月和12月拍賣成交月均價動態(tài)三次指數(shù)平滑的預(yù)測,利用定步長的梯度下降法使預(yù)測的均方誤差最小,具體步驟為:

a. 確定初值α0k、步長λ和ε,其中ε>0且為一極小量;

b. 對式(13)求梯度得MSE,將α0k代入MSE,判斷‖MSE‖<ε是否成立,若成立,則得到最優(yōu)值執(zhí)行步驟d,若不成立,取α0k=αk,執(zhí)行步驟c;

c. 取αk=αk-λMSE,且有αk>0,將αk代入MSE,判斷‖MSE‖<ε是否成立,若成立,則得到最優(yōu)值執(zhí)行步驟d,若不成立,繼續(xù)執(zhí)行本步驟;

e. 舍去第k次預(yù)測中t=1的歷史數(shù)據(jù),取t=2到t=10的歷史數(shù)據(jù)及t=11的預(yù)測值,更新t值,同第k次預(yù)測步驟,進(jìn)行第k+1次預(yù)測.

依據(jù)上述步驟進(jìn)行預(yù)測,初值α0k取值對預(yù)測結(jié)果無影響,此處取α0k=0.9,此外取λ=0.000 1,ε=0.01.預(yù)測結(jié)果及MSE如表7所示,相對誤差見表8.2016年11月預(yù)測成交月均價為88 158元,12月為88 819元.

比較傳統(tǒng)三次指數(shù)平滑法與動態(tài)三次指數(shù)平滑法預(yù)測結(jié)果的MSE值,可以發(fā)現(xiàn)動態(tài)三次指數(shù)平滑法明顯優(yōu)于傳統(tǒng)三次指數(shù)平滑法,且對于動態(tài)三次指數(shù)平滑法來說,預(yù)測次數(shù)k越小預(yù)測結(jié)果越優(yōu).比較兩種方法預(yù)測值的相對誤差,可以發(fā)現(xiàn)傳統(tǒng)三次指數(shù)平滑法相對誤差波動較大,而動態(tài)三次指數(shù)平滑法較為穩(wěn)定且相對誤差均小于0.6%.

表7 動態(tài)三次指數(shù)平滑法預(yù)測結(jié)果Tab.7 Predicted results based on the dynamic three exponential smoothing method

表8 相對誤差Tab.8 Relative error

5 結(jié)論及展望

本文分別應(yīng)用三次指數(shù)平滑法和動態(tài)三次指數(shù)平滑法,利用歷史數(shù)據(jù)預(yù)測了2016年11月和12月滬牌拍賣成交月均價.比較兩種預(yù)測方法的MSE,對于動態(tài)三次指數(shù)平滑法,無論k=1還是k=2,其MSE均小于三次指數(shù)平滑法的MSE;比較兩種預(yù)測方法的相對誤差,發(fā)現(xiàn)三次指數(shù)平滑法對11月預(yù)測的相對誤差很小,但是對12月預(yù)測的相對誤差較大,而動態(tài)三次指數(shù)平滑法對11月和12月預(yù)測的相對誤差均在0.5%左右.由此可以得出,在滬牌拍賣月均價預(yù)測的應(yīng)用中,動態(tài)三次指數(shù)平滑法預(yù)測結(jié)果更優(yōu),且較為穩(wěn)定.本文應(yīng)用的預(yù)測方法準(zhǔn)確率較高,可以直接用于實際的車牌月均價預(yù)測,預(yù)測結(jié)果可作為參考為車牌拍賣出價提供幫助,具有一定的實用價值.

雖然本文預(yù)測方法簡便可行,但影響車牌價格的因素多種多樣,直接影響因素有車牌投放數(shù)量、投標(biāo)人數(shù)等,間接影響因素有地方政策、社會觀念、出行方式的偏好等.因此,利用多影響因素的數(shù)據(jù)來預(yù)測車牌價格是進(jìn)一步研究的方向.由相關(guān)性研究可以看出,從長期來看車牌投放數(shù)量、投標(biāo)人數(shù)對車牌價格同樣有著重要影響,因此,建立這樣一個長期多影響因素的預(yù)測模型將是下一步的研究工作.

[1] 臧其事.基于神經(jīng)網(wǎng)絡(luò)的上海車牌價格預(yù)測模型[J].科技情報開發(fā)與經(jīng)濟,2008,18(2):94-96.

[2] 芮海田,吳群琪,袁華智,等.基于指數(shù)平滑法和馬爾科夫模型的公路客運量預(yù)測方法[J].交通運輸工程學(xué)報,2013,13(4):87-93.

[3] 尹光志,張衛(wèi)中,張東明,等.基于指數(shù)平滑法與回歸分析相結(jié)合的滑坡預(yù)測[J].巖土力學(xué),2007,28(8):1725-1728.

[4] 齊馳,侯忠生.自適應(yīng)單指數(shù)平滑法在短期交通流預(yù)測中的應(yīng)用[J].控制理論與應(yīng)用,2012,29(4):465-469.

[5] 楊建南,李萍,李世云,等.溫特斯線性和季節(jié)性指數(shù)平滑法預(yù)測模型在醫(yī)院管理中的應(yīng)用探討[J].中國衛(wèi)生信息管理雜志,2010,7(6):74-77.

[6] 趙志偉,楊景明,呼子宇,等.基于一次指數(shù)平滑法的自適應(yīng)差分進(jìn)化算法[J].控制與決策,2016,31(5):790-796.

[7] 陳武,張山江,侯春華,等.二次指數(shù)平滑預(yù)測模型回歸系數(shù)計算方法探討[J].統(tǒng)計與決策,2016(19):11-12.

[8] CHEN J,HUANG L K,LIU L L,et al.Applicability analysis of VTEC derived from the sophisticated Klobuchar model in China[J].International Journal of Geo-Information,2017,6(3):75.

[9] TAYLOR J W.Short-term electricity demand forecasting using double seasonal exponential smoothing[J].Journal of the Operational Research Society,2003,54(8):799-805.

[10] BURKOM H S,MURPHY S P,SHMUELI G.Automated time series forecasting for biosurveillance[J].Statistics in Medicine,2007,26(22):4202-4218.

[12] 吳德會.動態(tài)指數(shù)平滑預(yù)測方法及其應(yīng)用[J].系統(tǒng)管理學(xué)報,2008,17(2):151-155.

[13] 段功豪,牛瑞卿,趙艷南,等.基于動態(tài)指數(shù)平滑模型的降雨誘發(fā)型滑坡預(yù)測[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2016,41(7):958-962.

[14] 孟利民,徐楊.基于動態(tài)指數(shù)平滑預(yù)測的負(fù)載均衡算法[J].浙江工業(yè)大學(xué)學(xué)報,2016,44(4):379-382.

[15] 王國權(quán),王森,劉華勇,等.基于自適應(yīng)的動態(tài)三次指數(shù)平滑法的風(fēng)電場風(fēng)速預(yù)測[J].電力系統(tǒng)保護(hù)與控制,2014,42(15):117-122.