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
