Einsatz maschineller Lernmethoden zur Vorhersage der Marktdurchdringung von Elektrofahrzeugen im Automobilmarkt

Wissenschaftliche Berichte Band 13, Artikelnummer: 8345 (2023) Diesen Artikel zitieren

960 Zugriffe

2 Altmetrisch

Details zu den Metriken

Elektrofahrzeuge (EVs) wurden als Alternative zu Benzin- und Dieselautos eingeführt, um Treibhausgasemissionen zu reduzieren, den Einsatz fossiler Brennstoffe zu optimieren und die Umwelt zu schützen. Die Prognose des Verkaufs von Elektrofahrzeugen ist für Interessengruppen, darunter Automobilhersteller, politische Entscheidungsträger und Kraftstofflieferanten, von großer Bedeutung. Die im Modellierungsprozess verwendeten Daten haben erheblichen Einfluss auf die Qualität des Vorhersagemodells. Der primäre Datensatz dieser Studie enthält monatliche Verkäufe und Zulassungen von 357 Neufahrzeugen in den Vereinigten Staaten von Amerika von 2014 bis 2020. Zusätzlich zu diesen Daten wurden mehrere Webcrawler verwendet, um die erforderlichen Informationen zu sammeln. Der Fahrzeugverkauf wurde mithilfe von Long-Short-Term-Memory-Modellen (LSTM) und Convolutional-LSTM-Modellen (ConvLSTM) vorhergesagt. Um die LSTM-Leistung zu verbessern, wurde das Hybridmodell mit einer neuen Struktur namens „Hybrid LSTM mit zweidimensionalem Aufmerksamkeits- und Restnetzwerk“ vorgeschlagen. Außerdem sind alle drei Modelle als Modelle für automatisiertes maschinelles Lernen erstellt, um den Modellierungsprozess zu verbessern. Das vorgeschlagene Hybridmodell schneidet besser ab als die anderen Modelle, die auf denselben Bewertungseinheiten basieren, einschließlich des mittleren absoluten prozentualen Fehlers, des normalisierten quadratischen Mittelfehlers, des R-Quadrats, der Steigung und des Achsenabschnitts angepasster linearer Regressionen. Das vorgeschlagene Hybridmodell konnte den Anteil der Elektrofahrzeuge mit einem akzeptablen mittleren absoluten Fehler von 3,5 % vorhersagen.

Der Ausstoß von Treibhausgasen nimmt weltweit rasant zu. Laut einem im Jahr 2020 veröffentlichten Bericht der US-Umweltschutzbehörde verursacht der Transportsektor etwa 27 % der gesamten Treibhausgasemissionen des Landes, wobei der Transportsektor im Vergleich zu anderen Sektoren die meisten Treibhausgase ausstößt1. Elektrofahrzeuge wurden als Alternative zu Benzin- und Dieselautos eingeführt, um die Luftverschmutzung und Treibhausgasemissionen zu reduzieren, die Nutzung natürlicher Energieressourcen zu optimieren und die Umwelt zu schützen. Die Nutzung von Strom aus erneuerbaren Energiequellen wie Wind, Wasser und Sonnenlicht für Elektrofahrzeuge kann eine der effizientesten Lösungen zur Reduzierung von Emissionen und zum Klimawandel sein2. Obwohl seit der Erfindung von Elektrofahrzeugen viel Zeit vergangen ist, erfreuen sich Fahrzeuge mit Verbrennungsmotor immer noch der größten Beliebtheit. Die Verkäufe von Elektrofahrzeugen sind gestiegen, und im Januar 2017 erreichte die Gesamtzahl der weltweit verkauften Elektrofahrzeuge zwei Millionen3. Weltweit machten die Verkäufe von Elektrofahrzeugen im Jahr 2021 9 % des Automarktes aus, eine Vervierfachung gegenüber 20194.

Die Entwicklung und Herstellung von Fahrzeugen ist zeitaufwändig und erfordert große Investitionen. Durch die Vorhersage der Verkaufszahlen können Automobilunternehmen ihre Produktion optimieren. Darüber hinaus ist es durch eine genaue Vorhersage der Marktdurchdringung von Elektrofahrzeugen möglich, deren Auswirkungen auf die Reduzierung der Umweltverschmutzung abzuschätzen in den kommenden Jahren, was aus ökologischer Sicht sehr wichtig ist. Die Prognose des Verkaufs von Elektrofahrzeugen und ihrer Durchdringung des Automobilmarktes war für Regierungen, politische Entscheidungsträger und Automobilhersteller ein wichtiges Thema, um die Produktion von Elektrofahrzeugen zu planen, geeignete Richtlinien festzulegen und ausreichend Energie und Infrastruktur bereitzustellen.

Das Hauptziel dieser Forschung besteht darin, Methoden des maschinellen Lernens (ML) anzuwenden, um ein effizientes Vorhersagemodell zu erstellen, um den Verkauf aller Fahrzeuge im Datensatz und den Anteil der Elektrofahrzeuge in jedem Segment abzuschätzen und die Hauptfaktoren zu bestimmen, die den Verkauf von beeinflussen jedes EV. Die Wirkung einer begrenzten Anzahl von Einflussfaktoren auf den Fahrzeugabsatz wurde in früheren Studien anhand verschiedener Modelle untersucht. Für diese Studie wurde ein breites Spektrum an Informationen gesammelt, darunter alle Faktoren, die in früheren Studien nachgewiesen wurden und die mit dem Autoverkauf in Zusammenhang stehen, und in die Modellierung einbezogen. LSTM und ConvLSTM, leistungsstarke Deep Learning (DL)-Modelle, wurden zur Vorhersage von Fahrzeugverkäufen verwendet. Durch die Kombination des zweidimensionalen Aufmerksamkeitsmodells und des Restnetzwerks als vorgeschlagenes Hybridmodell wurde versucht, die Leistung des LSTM-Modells zu verbessern. Darüber hinaus wurde versucht, anhand der gesammelten Informationen und der Modellsensitivitätsanalyse die einflussreichsten Faktoren für den Verkauf jedes Elektrofahrzeugs zu ermitteln.

Die Literaturübersicht dieser Studie umfasst zwei allgemeine Abschnitte. Der erste Abschnitt untersucht ML-Methoden zur Vorhersage von Fahrzeugverkäufen und der zweite Abschnitt bietet einen Überblick über die Funktionen, die in anderen Methoden zur Vorhersage von Elektrofahrzeugverkäufen verwendet werden.

Mehrere Studien haben ML-Methoden verwendet, um den Verkauf von Elektrofahrzeugen als Zeitreihendaten vorherzusagen. Mehrere lineare Regressions- und Support Vector Machine (SVM)-Modelle wurden verglichen, um Fahrzeugverkäufe anhand jährlicher, vierteljährlicher und monatlicher Daten (Anzahl der Neuzulassungen von Automobilen, Anzahl der Automobilverkäufe und Wirtschaftsindikatoren wie das Bruttoinlandsprodukt (BIP)) vorherzusagen. Verfügbares persönliches Einkommen, Verbraucherpreisindex, Zinssatz, Arbeitslosenquote, industrielle Investitionsnachfrage, Erdölabgabe, privater Konsum und latenter Ersatzbedarf) in einer Studie von Brühl et al.5 Den Ergebnissen zufolge hatte das SVM-Modell eine bessere Leistung auf den Fehlerwerten (mittlerer absoluter Fehler und mittlerer absoluter prozentualer Fehler) war besser interpretierbar und lieferte bessere Ergebnisse basierend auf vierteljährlichen Daten. In der Studie von Wang et al. ML-Techniken wurden verwendet, um Autoverkäufe auf der Grundlage der Verkaufsmenge, der Wirtschaftsindikatoren, der Großhandelsbevölkerung, der Arbeitslosenquote, des Wechselkurses, der Fahrzeugpreise, der Ölpreise und der Preise für Fahrzeugkomponenten vorherzusagen. Basierend auf Bewertungseinheiten (R-Quadrat und mittlerer quadratischer Fehler) bewerteten sie die Vorhersagequalität von adaptiven netzwerkbasierten Fuzzy-Inferenzsystemen (ANFIS), künstlichen neuronalen Netzwerken (ANN) und autoregressiven integrierten gleitenden Durchschnittsmodellen; Die Ergebnisse zeigten, dass ANFIS besser abschnitt als die anderen Modelle6. In einer anderen Studie haben Hülsmann et al. verglich die Leistung linearer Modelle wie Ordinary Least Squares und Quantile Regression mit ML-Methoden wie SVM, Decision Tree, k-Nearest Neighbor und Random Forest zur Vorhersage von Fahrzeugverkäufen. Basierend auf den monatlichen Daten zu Fahrzeugverkäufen, Neuwagenzulassungen und Wirtschaftsindikatoren (wie BIP, persönliches Einkommen und Dow Jones) schnitten die Decision Tree of ML-Methoden besser ab als die anderen Modelle, die auf dem Mean Absolute Percentage Error (MAPE)7 basieren .

Darüber hinaus haben Kitabci et al. analysierte die Auswirkungen der Wirtschaftspolitik auf den Fahrzeugabsatz in der Türkei als Makroumweltfaktor durch multiple Regression und neuronale Netzwerkmethoden. Sie bewerteten Faktoren wie den von den Banken vorgelegten Kfz-Kreditzinssatz, das Einkommen der Verbraucher, die vom Staat für das Auto gewährten Steuerabzüge, die Inflationsrate, die Autopreise, den Euro-Wechselkurs, die Ölpreise und die Werbeausgaben die Unternehmen. Den Ergebnissen zufolge waren neuronale Netze bei der Vorhersage von Verkäufen genauer als Regressionsmodelle; Einige Faktoren, darunter der Euro-Wechselkurs, die Zinssätze der von Banken angebotenen Fahrzeugkredite und die Steuerabzüge der Regierung, haben den Automobilverkauf beeinflusst8. In einer anderen Forschung haben Bas et al. Angewandte ML-Klassifizierungsmethoden zur Vorhersage der Einführung von Elektrofahrzeugen unter Verwendung von Faktoren zur Fahrbeschaffung, zugrundeliegenden soziodemografischen Merkmalen und Fahrzeugeigenschaften; Sie untersuchten den Beitrag verschiedener Faktoren zur Vorhersage von Ergebnissen mithilfe einer Methode namens „Local Interpretable Model-Agnostic Explanations“. Basierend auf den Ergebnissen der Studie lieferten ML-Modelle äußerst genaue Vorhersagen über die Einführung von Elektrofahrzeugen, und die häufige Nutzung von Fahrdiensten, das Wissen über Elektrofahrzeuge und das Bewusstsein für den Umweltschutz waren wesentliche Faktoren für die Erklärung der Tendenz zur Einführung von Elektrofahrzeugen9. Darüber hinaus haben Zhang et al. wendete die Singular-Spektrum-Analyse als univariates Zeitreihenmodell und das Vector Auto-Regression-Modell (VAR) als multivariates Modell zur Prognose von EV-Verkäufen an. Den Ergebnissen zufolge kann das VAR-Modell die Vorhersagegenauigkeit erheblich verbessern, da es die Auswirkungen von Wirtschaftsindikatoren wie Verbraucherpreisen, Verbrauchervertrauen, Erzeugerpreisen, Kraftstoff- und Fahrzeugpreisen sowie Baidu-Daten (ein Indikator für Verbraucherinteresse) berücksichtigt Neugier auf Elektrofahrzeuge)10.

In einer anderen Studie verwendeten Kaya et al.11 den Wechselkurs, das BIP, den Verbrauchervertrauensindex, die Daten des Verbraucherpreisindex und ein Deep Neural Network-Modell, um Fahrzeugverkäufe vorherzusagen; Die Ergebnisse zeigten, dass dieses ML-Modell den Umsatz genau vorhersagte (basierend auf dem mittleren quadratischen Fehler). In einer anderen Forschung haben Xia et al. führte das ForeXGBoost-Modell ein, ein Fahrzeugverkaufsvorhersagesystem, das auf umfangreichen Datensätzen mit umfassenden Fahrzeuginformationen basiert, einschließlich Marken-ID, Modell, Motorleistung und Hubraum. Basierend auf logarithmischer Differenzquadratwurzel, MAPE und Laufzeit übertrifft das XGBoost-Modell Benchmark-Algorithmen wie lineare Regression und Gradient Boosting Decision Trees12. Unter Verwendung von Online-Umfragedaten und ML-Methoden wie SVM, ANN, Deep Neural Networks, Gradient Boosting Models und Random Forests haben Bas et al. verglichen verschiedene Methoden zur Klassifizierung potenzieller Elektrofahrzeugkäufer und zur Identifizierung der Merkmale, die sich auf die Einführung von Elektrofahrzeugen auswirken. Die Ergebnisse zeigten, dass das SVM-Modell die anderen Algorithmen übertrifft; Nur Teilinformationen (z. B. nur sozioökonomische Faktoren) verringern die Modellleistung, während Synergien über mehrere Variablen die Genauigkeit erhöhen13. Darüber hinaus haben Saxena et al. präsentieren eine Studie, die den Einsatz von Deep-Learning-basierten Modellen untersucht, darunter autoregressive Integration Moving Averages und LSTM-Modelle, um zukünftige Richtungen des Fahrzeugverkaufs vorherzusagen. Basierend auf den Implementierungsergebnissen wurden der MAE und der mittlere quadratische Fehler für die LSTM-basierte Zeitreihenprognose reduziert, und dieses Modell konnte den Verkauf umweltfreundlicher Fahrzeuge genau vorhersagen14.

Für die Entwicklung von Richtlinien ist es erforderlich, das Verhalten der Benutzer zu verstehen und ihre Entscheidungen zu priorisieren. Daher verwendeten einige frühere Studien Umfragedaten, um die Nachfrage nach Elektrofahrzeugen vorherzusagen. Um die potenzielle Nachfrage nach Elektrofahrzeugen einzuschätzen, verwendeten Beggs et al.15 Umfragedaten und Fahrzeugspezifikationen wie Sitzplatzkapazität, Höchstgeschwindigkeit, Kaufpreis und Betriebskosten. In einer ähnlichen Studie wurde die Nachfrage nach Elektrofahrzeugen von Calfee et al. auf der Grundlage der Verbraucherpräferenzen für Fahrzeugeigenschaften geschätzt.16 Die Ergebnisse dieser Untersuchung haben gezeigt, dass die schwache Leistung von Elektrofahrzeugen ihre Nachfrage begrenzt; Wenn Elektrofahrzeuge jedoch deutlich fortschrittlicher als andere Autos werden oder Benzin knapp wird, wird die Nachfrage nach diesen Fahrzeugen steigen.

Die Vorhersage der zukünftigen Nachfrage nach Elektrofahrzeugen ist ein komplexes Thema. Da sich die meisten Studien zu neuen Technologien auf Umfragedaten stützen, spiegeln Marktanteilsprognosen den Anteil in den Umfragedaten und nicht den tatsächlichen Marktanteil wider. Auch die Meinungen der Verbraucher und die veröffentlichten Nachrichten zu Elektrofahrzeugen beeinflussen den Verkauf dieser Fahrzeuge. Basierend auf Untersuchungen von Mau et al.17 werden die Verkäufe von Elektrofahrzeugen durch veröffentlichte Informationen über die Verbreitungsrate von Elektrofahrzeugen beeinflusst, was als „Nachbarschaftseffekt“ bekannt ist. Die Spezifikationen von Elektrofahrzeugen sind ein weiterer Faktor, der ihren Verkauf beeinflusst. Laut einer Studie von Balducci et al.18 zur Bewertung der Verbreitungsszenarien von Plug-in-Hybrid-Elektrofahrzeugen im Automobilmarkt sind Kraftstoffverbrauch und reduzierte Kraftfahrzeugemissionen die wichtigsten Faktoren beim Kauf von Hybrid-Elektrofahrzeugen, während unzureichende Motorleistung, hoher Preis und Unzuverlässigkeit dies sind die wichtigsten Gründe, diese Fahrzeuge nicht zu kaufen. Darüber hinaus haben Hess et al. Gebrauchtfahrzeugspezifikationen wie Kaufpreis, Fahrzeugkaufanreize, Meilen pro Gallone (MPG) oder Äquivalent, Kraftstoffkosten pro Jahr, Kraftstoffverfügbarkeit, Betankungszeit, Reichweite, Wartungskosten pro Jahr und Beschleunigung, um die Präferenzen der Verbraucher bei der Auswahl zu ermitteln Fahrzeugtyp und Kraftstoffart. Die Ergebnisse haben gezeigt, dass die Entscheidungen der Verbraucher durch Faktoren wie Kaufpreis, Betriebskosten und Fahrzeugalter negativ beeinflusst werden, wohingegen ihre Entscheidungen durch Faktoren wie bessere Fahrzeugbeschleunigung, Kaufanreize, Reichweite und Kraftstoffverfügbarkeit positiv beeinflusst werden19.

Der Verkauf von Elektrofahrzeugen wird auch durch die Verbesserung der Fahrzeugmotorleistung und die Reduzierung des Kraftstoffverbrauchs beeinflusst. Unter Verwendung eines diskreten Auswahlmodells haben Bas et al. untersuchte die Verbreitung von Elektrofahrzeugen angesichts neuer Technologien zur Reduzierung des Kraftstoffverbrauchs. Die Ergebnisse zeigten, dass ein klarer Kompromiss zwischen den Kosten eines benzinbetriebenen Systems und den dadurch erzielten Kraftstoffeinsparungen von potenziellen Käufern wahrgenommen wird20. Potenzielle Käufer von Elektrofahrzeugen gehören jedoch nicht zu dieser Kategorie, da ihre Kosten-Nutzen-Analyse aufgrund der niedrigen Stromkosten20 ungünstig ist. Darüber hinaus weisen die geschätzten Marktanteile aufgrund einer positiveren Einstellung gegenüber umweltfreundlichen Technologien einen erheblichen Marktanteil für Alternativen auf, die Technologien zur Verbrauchsreduzierung beinhalten20. Darüber hinaus haben Shafiei et al. analysierte den Einfluss von Faktoren wie Kraftstoffpreisen, Fahrzeugeigenschaften, Verbraucherpräferenzen und sozialen Einflüssen auf den Marktanteil von Elektrofahrzeugen. Die Ergebnisse zeigten, dass die Kombination aus hohen Benzinpreisen, sinkenden Preisen für Elektrofahrzeuge, einer Senkung der Steuern auf Elektrofahrzeuge und der Beseitigung der Bedenken der Verbraucher hinsichtlich des Aufladens den größten Einfluss auf den Marktanteil von Elektrofahrzeugen hat21. Untersuchungen von Kinski et al.22 zeigen, dass die Informationen im Zusammenhang mit der Suche im Internet (Google Trends) nach Fahrzeugen einen positiven und signifikanten Zusammenhang mit Autoverkäufen haben.

Basierend auf der bisherigen Forschung wurden die folgenden zwei allgemeinen Schlussfolgerungen gezogen:

Erstens haben sich ML- und DL-Methoden bei der Vorhersage von Fahrzeugverkäufen als wirksam erwiesen. Daher wurden in dieser Untersuchung LSTM und ConvLSTM, leistungsstarke DL-Modelle, zur Vorhersage von Fahrzeugverkäufen verwendet. Darüber hinaus wurde auch ein Hybridmodell vorgeschlagen und alle drei Modelle hinsichtlich ihrer Leistung verglichen.

Zweitens wurden Faktoren und Merkmale identifiziert, die sich auf den Verkauf von Elektrofahrzeugen auswirken. Diese Merkmale wurden gesammelt und in dieser Untersuchung verwendet.

Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit von Maschinen, Informationen wahrzunehmen, zu synthetisieren und abzuleiten, im Gegensatz zu Tieren und Menschen, die Intelligenz an den Tag legen23. Maschinelles Lernen, künstliche neuronale Netze und Deep Learning sind wichtige Werkzeuge bei der Entwicklung von KI-Systemen und haben sich bei der Vorhersage von Zeitreihendaten wie Fahrzeugverkäufen bewährt. Rekurrente neuronale Netze (RNNs) sind eine Art neuronaler Netze, die sich an das erinnern, was sie bereits verarbeitet haben, und aus früheren Iterationen lernen können24. Mit anderen Worten: Ein RNN ist eine Klasse von KNNs, bei der Verbindungen zwischen Knoten einen gerichteten Graphen entlang einer zeitlichen Abfolge bilden. Dadurch kann es ein zeitlich dynamisches Verhalten zeigen24.

Hochreiter und Schmidhuber stellten das LSTM-Netzwerk vor, ein RNN, das in der Lage ist, langfristige Abhängigkeiten zu lernen und sequentielle Daten mit großer Genauigkeit vorherzusagen25. Ein LSTM ist eine Erweiterung eines RNN, das in der Lage ist, Muster aus langen Sequenzen von Quelldaten zu lernen, indem es ein Langzeitgedächtnis behält25. LSTMs verbesserten die Vergesslichkeit von RNNs. Ein RNN könnte eine Erinnerung behalten, aber nur für seine unmittelbare Vergangenheit. Ein LSTM hingegen führt Schleifen ein, um langfristige Gradienten zu erzeugen. Während es seine Schleifen durchläuft, kann es langfristige Muster entdecken25. LSTM ist gut darin, frühere Informationen zu speichern und funktioniert gut, wenn Probleme mit verschwindenden Gradienten auftreten. Während des ANN-Trainings erhält jedes Gewicht des neuronalen Netzwerks eine Aktualisierung proportional zur partiellen Ableitung der Fehlerfunktion. Verschwindende Gradienten treten auf, wenn die Gradienten verschwindend klein werden, wodurch effektiv verhindert wird, dass sich das Gewicht ändert26.

LSTM kann in jedem Zeitschritt drei Informationen miteinander verknüpfen: die aktuellen Eingabedaten, das Kurzzeitgedächtnis, das es von der vorherigen Zelle erhält (der verborgene Zustand), und das Langzeitgedächtnis von weiter entfernten Zellen (der Zellzustand). 27. Die LSTM-Einheit besteht aus einem Eingangsgatter, einem Vergessensgatter, einem Ausgangsgatter und einem Zellenzustand. Das Eingangsgatter bestimmt, wie viele Informationen vom aktuellen Kandidatenzellenzustand in den aktuellen Zellenzustand übertragen werden sollen. Das Vergessenstor bestimmt, wie viele historische Informationen aus dem vorherigen Zellzustand ignoriert werden sollen. Der Ausgangsfluss von den Zellen zum Rest des Netzwerks kann über das Ausgangstor gesteuert werden. Durch die Regulierung des Informationsflusses durch die drei Tore können wichtige Informationen über Zeitintervalle hinweg gespeichert werden. Nach Gl. 1–6, die LSTM-Einheit verarbeitet Daten im Zellzustand und in Gates27. Referenz27 bietet weitere Details.

In den obigen Gleichungen sind \(f_{t}\), \(i_{t}\) und \(o_{t}\) jeweils die Vergessens-, Eingabe- und Ausgabe-Gatter; \(C_{t}\), \(C_{t - 1}\) und \(\tilde{C}_{t}\) sind der aktuelle, vorherige und Kandidatenzellenzustand; \(\sigma\) und tanh bezeichnen Sigmoid- bzw. Hyperbolicus-Tangens-Aktivierungsfunktionen; Die miteinander verbundenen Gewichtsmatrizen für jeden Gate- und Zellzustand sind \(W_{fh}\), \(W_{ih}\), \(W_{oh}\), \(W_{Ch}\); \(W_{fx}\), \(W_{ix}\), \(W_{ox}\), \(W_{Cx}\) repräsentieren die Eingabegewichtsmatrizen in den drei Toren bzw. den Zellenzustand ; \(b_{f}\), \(b_{i}\), \(b_{o}\), \(b_{C}\) stellen die jeweiligen Bias-Terme dar; Das Hadamard-Produkt (Elementprodukt) einer Matrix wird mit \(\odot\)27 bezeichnet. Gemäß Abb. 1 ist die Eingabeschicht eine LSTM-Schicht mit der gleichen Anzahl von Neuronen wie die Eingabedatenmerkmale. Im nächsten Schritt werden eine oder mehrere LSTM-Schichten als verborgene Schichten festgelegt und im letzten Schritt wird eine dichte Schicht mit der ReLU-Aktivierungsfunktion als Ausgabeschicht festgelegt.

Architektur des LSTM-Modells.

Das LSTM-Modell ist leistungsstark für den Umgang mit zeitlicher Korrelation. Darüber hinaus kann bei der Arbeit mit Zeitreihendaten mit zahlreichen Merkmalen die Leistung des LSTM-Modells verbessert werden, indem die zweidimensionalen Daten in einen dreidimensionalen Tensor umgewandelt werden (Abb. 2 veranschaulicht dies), Zustände verbunden und Faltungsoperationen angewendet werden; Diese Idee war der Grund für die Erstellung des ConvLSTM-Modells28. Das neuronale Netzwerk ConvLSTM ist ein vollständig verbundenes LSTM-Netzwerk mit einer Faltungsstruktur innerhalb der LSTM-Zelle, das sich gut für die Vorhersage von Daten mit zeitlicher Korrelation eignet. ConvLSTM bietet eine vollständig verbundene Erweiterung für die Datenübertragung zwischen Staaten und von Eingängen zu Staaten28. Mit anderen Worten: ConvLSTM bestimmt den zukünftigen Zustand jeder Zelle im Gitter basierend auf ihren Eingaben und den früheren Zuständen ihrer Nachbarn. Dies kann durch die Verwendung eines Faltungsoperators bei den Zustand-zu-Zustand- und Eingabe-zu-Zustand-Übergängen28 erreicht werden. Im ConvLSTM-Modell sind die Daten in der Eingabeeinheit, die Ausgaben jeder Zelle, die verborgenen Einheiten und die Tore als dreidimensionale Tensoren angeordnet. ConvLSTM hat ähnliche Parameter wie LSTM, und der Unterschied besteht darin, wie Daten übertragen werden und Faltungsmultiplikation in Berechnungen verwendet wird, wie in den Gleichungen ausgedrückt. 7–1128. Referenz28 bietet weitere Details.

Umwandlung einer 2D-Matrix in einen 3D-Tensor.

In ConvLSTM-Gleichungen gibt * den Faltungsoperator an und \(\odot\) gibt das Hadamard-Produkt an. Wie in Abb. 3 dargestellt, ist die Eingabeschicht eine ConvLSTM-Schicht, die verborgenen Schichten sind Dense- und ConvLSTM-Schichten und die Ausgabeschicht ist eine Dense-Schicht mit der ReLU-Aktivierungsfunktion.

Architektur des ConvLSTM-Modells.

Zeitreihendaten stehen in einem sinnvollen zeitlichen Zusammenhang. In dieser Forschung wurden die Daten in dreidimensionale Tensoren mit einem Zeitfenster von sieben Monaten umgewandelt, um die zeitliche Beziehung aufrechtzuerhalten; Wie man eine zweidimensionale Matrix in einen dreidimensionalen Tensor umwandelt, ist in Abb. 2 dargestellt. Als Innovation wurde in dieser Forschung die Methode „Zweidimensionale Aufmerksamkeit“ vorgeschlagen, um die Bedeutung der Merkmale jedes Autos in einem Siebener zu bestimmen -monatigen Zeitrahmen zu ermitteln und die gewichteten Daten im Modellierungsprozess zu verwenden. Die zweidimensionale Aufmerksamkeitsmethode weist jedem Merkmal im Zeitfenster Gewichtungen zu, basierend darauf, wie stark es das Modell beeinflusst, sodass die Merkmale mit einem größeren Einfluss mehr Aufmerksamkeit erhalten und die Komplexität des Modells verringert wird. Das eindimensionale Aufmerksamkeitsmodell wurde erstmals von Bahdanau vorgeschlagen, um das Problem des begrenzten Zugriffs des Decoders auf die Eingabeinformationen des Modells anzugehen, wenn der Encodervektor in der Übersetzungsmaschine eine feste Länge hat29.

In der LSTM-Modellarchitektur, die in Abb. 1 dargestellt ist, werden mehrere LSTM-Schichten innerhalb der verborgenen Schicht platziert. Wenn die Anzahl der LSTM-Schichten in der verborgenen Schicht zunimmt, haben die primären Schichten (die Schichten neben der Eingabeschicht) einen geringeren Einfluss auf die Ausgabe. Die primären Schichten haben die Eingabedaten verarbeitet und die Beziehung zwischen den Daten gut gelernt, weshalb versucht wurde, dieses Problem durch die Verwendung des Restnetzwerks im vorgeschlagenen Hybridmodell zu lösen. Mithilfe des Residual Network wurden die gewichteten Daten und Ausgaben der primären Schichten auf die letzten Schichten im vorgeschlagenen Hybridmodell übertragen, wie in Abb. 4 dargestellt.

Primäre Architektur des Hybridmodells.

In dieser Studie wird jede Eingabe \(x\) durch eine \(m \times n\)-Matrix dargestellt, wobei m den vorherigen Monaten im Fenster (7) entspricht und n die Anzahl der Fahrzeugmerkmale darstellt. Nach Eingabe der Daten in die erste LSTM-Schicht erfolgt die Verarbeitung gemäß Gl. 1–6, und die codierte versteckte Einheit (\(h\)) mit den genauen Abmessungen (\(m \times n\)) wird in die Aufmerksamkeitsschicht eingegeben. Danach wird der Alignment-Score gemäß Gl. berechnet. (12).

In Gl. (12), \(e_{i, j}\) stellt die Ausrichtungsbewertung dar, \(W_{a}\) ist das Gewicht des Aufmerksamkeitsmodells (als trainierbare Variable), \(h\) ist die codierte versteckte Einheit von In der primären LSTM-Schicht ist \(b_{a}\) der Bias des Aufmerksamkeitsmodells (als trainierbare Variable), und das Zeichen „*“ bezeichnet das Hadamard-Produkt. Da die Eingabedaten für die Aufmerksamkeitsschicht von einer LSTM-Schicht unter Verwendung der nichtlinearen Tanh-Aktivierungsfunktion codiert wurden, wurde tanh auch in der Aufmerksamkeitsschicht verwendet, um das Lesen der Daten während der Decodierung zu erleichtern. Jedem Eingabedatenelement wurde mithilfe von Gleichung ein Grad an Aufmerksamkeit zugewiesen. (13).

Die Multiplikation der Aufmerksamkeitsmatrix \(\alpha_{i, j}\) mit der Rohdatenmatrix \(x_{i, j}\) ergibt eine gewichtete Datenmatrix \(W_{i, j}\) basierend auf Gleichung. (14). Das Zeichen „*“ bezeichnet das Hadamard-Produkt.

Die gewichteten Daten \(W_{i, j}\) werden dann als Restnetzwerk durch drei Schichten von LSTM geleitet; Die Ausgabe jeder Schicht wird mit den gewichteten Daten am Ende des Restnetzwerks kombiniert und in eine oder mehrere LSTM-Schichten eingegeben. Eine dichte Schicht mit der ReLU-Aktivierungsfunktion ist die Ausgabeschicht. Eine Übersicht über die Architektur des Modells ist in Abb. 4 dargestellt.

Auch andere Architekturen wurden in der Hybridmodellstruktur ausprobiert, waren jedoch nicht effizienter, sodass nur die beste Architektur erwähnt wurde.

In dieser Studie werden Elektrofahrzeuge als Fahrzeuge betrachtet, die Elektromotoren zum Antrieb verwenden, und umfassen alle Arten von Elektrofahrzeugen. Bei der Vorhersage des Fahrzeugabsatzes ist die Anzahl der Fahrzeuge in den Lagerhallen ein Einflussfaktor, der in dieser Modellierung aufgrund mangelnder Zugänglichkeit nicht berücksichtigt wurde. Da ML-Modelle auf Training basieren, können die Modelle in dieser Studie den Absatz von Fahrzeugen vorhersagen, die seit mindestens 24 Monaten auf dem Markt sind. Neue Fahrzeuge (Fahrzeuge, die seit weniger als 24 Monaten auf dem Markt sind) und Autos, die noch nicht auf dem Markt sind, wurden aufgrund unzureichender Daten zum Trainieren des Modells nicht in die Modellierung einbezogen. Daher wird der Anteil der Elektrofahrzeuge am Automobilmarkt als Anteil der Fahrzeugsegmente und nicht als Anteil der Elektrofahrzeuge insgesamt ausgedrückt.

In dieser Untersuchung wurde eine breite Palette an Informationen zum Autoverkauf verwendet. Im Primärdatensatz beziehen sich alle Daten auf Neuwagen, nicht auf Gebrauchtwagen. Der primäre Datensatz enthält monatliche Informationen zu 357 Fahrzeugen, z. B. Marke (oder „Marke“ im Fachjargon der Automobilindustrie, z. B. Benz), Modell, Segmentierung, Kategorie, Käufer und Verkäufe verschiedener Fahrzeugtypen in den Vereinigten Staaten von 2014 bis 2020. Weitere Informationen wurden basierend auf den Autos in diesem Datensatz extrahiert. Es wurden die Daten vor Ausbruch der Covid-19-Erkrankung herangezogen, da diese Krankheit negative Auswirkungen auf die Weltwirtschaft hatte.

Wie in früheren Studien festgestellt wurde, sind Fahrzeugspezifikationen in Prognosemodellen für Autoverkäufe sehr effektiv. Die Fahrzeugspezifikationen werden jährlich geändert. Laut Alexa-Bewertung30 und der Vollständigkeit der auf der Website „Thecarconnection“31 präsentierten Informationen wurden Fahrzeugspezifikationen über diese Website erfasst. Um Zeit zu sparen und die Erfassung von Informationen aufgrund einer großen Anzahl von Fahrzeugen und Änderungen der Fahrzeugspezifikationen im Laufe der Zeit zu automatisieren, wurden mehrere Webcrawler in der Programmiersprache Python entwickelt und zum Sammeln von Fahrzeuginformationen verwendet. Einige Fahrzeugspezifikationen des Segments „CAR-MID/FULL SIZE“ sind in Tabelle 1 aufgeführt.

Für Benziner und Elektrofahrzeuge werden ähnliche Informationen gesammelt. zum Beispiel das entsprechende MPG in Elektrofahrzeugen. Preis, MPG, maximale Kilometerleistung, Motorleistung und Garantie sind einige der wichtigsten berücksichtigten Merkmale. Sonstige Spezifikationen wurden in die Kategorien „Sicherheitsspezifikationen“ und „Sonstige Spezifikationen“ unterteilt. Die Kategorie „Sicherheitsspezifikationen“ umfasst Kindersicherungen an den hinteren Türen, Airbags, ABS-Bremsen, Tagfahrlicht, Nachtsicht, Fahrerüberwachungswarnungen, Bremssystem zur Kollisionsminderung, elektronische Stabilitätskontrolle und Seitenaufprallbalken. Alle anderen Funktionen (Traktionskontrolle, Nebelscheinwerfer, Reifendrucküberwachung, Parksensoren, Parkassistent und Rückfahrkameras) wurden in die Kategorie „Andere Spezifikationen“ übertragen.

Die zweite Reihe der gesammelten Daten bezieht sich auf Benutzermeinungen und Nachrichten, die auf seriösen Websites veröffentlicht wurden, die bei Alexa30 einen höheren Rang haben. Hierzu wurden vier Websites untersucht: Autoblog32, Auto News33, Motor134 und The Car Connection35. Diese Websites wurden mit Python-Webcrawlern gecrawlt, um Zeit zu sparen und Informationen automatisch zu sammeln. Von 2014 bis 2020 wurden die täglich veröffentlichten Nachrichten für jeden Fahrzeugtyp gesammelt und ausgewertet. Für die Stimmungsanalyse des Textes wurde die Methode Valence Aware Dictionary and sEntiment Reasoner (VADER) verwendet. Basierend auf der Vokabularanalyse analysiert die VADER-Sentimentanalysemethode die in sozialen Medien und Nachrichtentexten ausgedrückte Stimmung korrekt. Zehn unabhängige menschliche Bewerter analysierten über 90.000 Bewertungen in der VADER-Bewertung, was zur Übernahme von 7500 sprachlichen Merkmalen führte, die auf der Grundlage ihrer Valenzwerte bewertet wurden, die die Intensität und Polarität der Stimmung anzeigen36. Für jedes Fahrzeug wurde die durchschnittliche monatliche Bewertung von Nachrichten und Meinungen auf der Grundlage ihrer täglichen Veröffentlichung berechnet.

Eine weitere wirksame Informationsquelle über den Fahrzeugmarkt sind verschiedene Wirtschaftsindikatoren. Mithilfe eines Python-Webcrawlers wurden auf der Website der Federal Reserve37 Informationen zu mehreren Wirtschaftsindikatoren gesammelt, die sich auf den Automarkt auswirken. Zu den Wirtschaftsindikatoren gehören das BIP, der Verbraucherpreisindex (VPI), der Erzeugerpreisindex, der Verbrauchervertrauensindex, das persönliche Pro-Kopf-Einkommen, die Zinssätze für 48-monatige und 60-monatige Kredite, SP&500 und Dow-Jones-Aktienmarktindikatoren.

Laut Kinskis Forschung ist die Verwendung von Google-Trends in Vorhersagemodellen nützlich und praktisch22. Für die Google-Trenddaten wurden drei Schlüsselwörter ausgewählt, um die Anzahl der Suchanfragen für jedes Auto von 2014 bis 2020 und für die Vereinigten Staaten von Amerika auszuwerten. Die Schlüsselwörter sind:

„Marke“ + „Modell“

„Preis“ + „Marke“ + „Modell“

„Händler“ + „Hersteller“

Für alle Autos werden die gleichen Daten erfasst, und die monatlich für jedes Auto erfassten Merkmale sind in Tabelle 2 aufgeführt. Für einige Fahrzeuge waren gleichzeitig mehrere verschiedene Ausstattungsvarianten auf dem Markt erhältlich, und einige Merkmale, wie z. B. Preis und MPG, wiesen mehrere auf Werte für diese Fahrzeuge. Aus diesem Grund wurden die gesammelten Werte für diese Merkmale in drei Kategorien unterteilt: Minimum, Durchschnitt und Maximum.

Die Verkaufsfunktion wurde basierend auf den Maximal- und Minimalwerten aus dem Trainingsdatensatz normalisiert. Andere Merkmale werden basierend auf dem Durchschnitt und der Standardabweichung jedes Merkmals im Trainingssatz standardisiert. Die Eingabedaten in die Modelle werden als Zeitfenster von sieben Monaten betrachtet, um die zeitliche Korrelation aufrechtzuerhalten. Im aktuellen Monat werden beispielsweise die Daten der letzten sieben Monate eingegeben (X) und der Verkauf des aktuellen Monats ausgegeben (Y). Um dies zu erreichen, wurden siebenmonatige Datenmatrizen nacheinander in der dritten Dimension eines dreidimensionalen Tensors platziert.

Da es sich bei den Zeitreihendaten in dieser Studie um monatliche Daten handelt, wurden dem Datensatz elf Binärspalten hinzugefügt, um die Auswirkung jedes Monats widerzuspiegeln (im ersten Monat eines jeden Jahres wird die Spalte, die dem ersten Monat entspricht, auf 1 gesetzt und die Spalte für die anderen Monate ist auf 0 gesetzt). Ein Beispiel für diese Binärdaten ist in Tabelle 3 dargestellt.

Für die meisten Fahrzeuge umfassen die Daten 79 Monate (Januar 2014 bis Juli 2020). Gemäß Abb. 5 werden die letzten 14 Monate für den Testsatz als rollierende Kreuzvalidierung ausgewählt. Die fortlaufende Kreuzvalidierung ist eine Möglichkeit, das Zeitreihenmodell zu validieren. Beginnen Sie mit einer Teilmenge von Daten für das Training, erstellen Sie Prognosen für spätere Datenpunkte und überprüfen Sie dann die Genauigkeit der Prognosen. Dieselben prognostizierten Datenpunkte werden in den nächsten Trainingsdatensatz einbezogen und weitere Prognosen werden erstellt.

Aufteilen des Datensatzes in Trainings-, Validierungs- und Testsätze.

Das Modell wird mithilfe von 12 Prognosestufen kreuzvalidiert, wobei jede Stufe Verkäufe in den nächsten drei Monaten vorhersagt. Während jeder Vorhersagephase werden die vorangegangenen Monate in Training und Validierung unterteilt (70 % für Training und 30 % für Validierung). Anschließend werden diese Daten an das Modell übertragen, das Modell prognostiziert Verkäufe in den nächsten drei Monaten, dann wird das Prognosedatum verschoben um einen Monat vorwärts, und dieser Vorgang wurde 12 Mal wiederholt. Die Fahrzeugverkäufe in den nächsten drei Monaten werden bei jedem Modelllauf prognostiziert, unter der Annahme, dass die meisten Fahrzeugeigenschaften gleich bleiben. Aufgrund von Schwankungen und Änderungen der wirtschaftlichen Bedingungen eine Drei Für die Vorhersage der Zukunft wird ein einmonatiger Zeithorizont verwendet.

Überanpassung ist eines der Hauptprobleme beim ANN-Training. Die Dropout-Schichten zwischen den Schichten des neuronalen Netzwerks sind eine der besten Lösungen im KNN, um eine Überanpassung zu vermeiden. Während der Dropout-Schicht wird die Anzahl der in jeder Schicht trainierten und verworfenen Neuronen zufällig bestimmt (anstatt alle Neuronen auf einmal zu aktivieren, wird nur ein Bruchteil aktiviert)38. Das Frühstopp-Tool von TensorFlow ist eine weitere grundlegende Lösung, um eine Überanpassung zu vermeiden. Das frühe Stoppen funktioniert folgendermaßen: Während der Wiederholung des Trainings werden die Validierungsdaten zur Berechnung des Fehlerwerts verwendet. Immer wenn der Validierungsfehlerwert über mehrere Epochen hinweg ansteigt, ist das Modell zum Stoppen bereit und eine Überanpassung wird verhindert. Bei allen drei Modellen werden beide Lösungen verwendet, um eine Überanpassung zu verhindern. Die Reduzierung der Dimensionalität ist eine weitere Möglichkeit, eine Überanpassung des Modells zu verhindern. In dieser Studie wurde die Hauptkomponentenanalyse in mehreren Modi verwendet, um die Dimensionen zu reduzieren, diese Technik wurde jedoch aufgrund der erheblichen Verschlechterung der Modellleistung nicht verwendet.

Um den Modellierungsprozess zu verbessern, wurden die Hyperparameterwerte und Netzwerkarchitekturen aller drei Modelle durch Automated Machine Learning (AutoML) bestimmt. AutoML ist der Prozess der Automatisierung von ML-Anwendungen. Die Anzahl der verborgenen Schichten, die Anzahl der Neuronen in diesen Schichten und die Dropout-Rate wurden von den Tunern bestimmt. Für jeden Hyperparameter werden dem Tuner mehrere Werte zugeführt. Der Tuner trainiert verschiedene Modellversionen und wählt die beste basierend auf dem besten Ergebnis (geringster Fehler oder Verlust) der Validierungsdaten aus. Diese Methode setzt die Hyperparameter auf den optimalen Wert und das Modell wird dann auf einen Testdatensatz angewendet.

Der Fehler oder Verlust des Modells wird in allen drei Modellen mithilfe der Verlustfunktion „Mean Absolute Error“ (MAE) berechnet. Um die Laufzeit zu verkürzen und das gewünschte Ergebnis zu erzielen, ist die Auswahl eines geeigneten Optimierungsalgorithmus für das DL-Modell von entscheidender Bedeutung. Für diese Modelle wird Adams Optimierungsalgorithmus verwendet, bei dem es sich um eine verallgemeinerte Version des stochastischen Gradientenabstiegs handelt. Es reduziert die Speichernutzung, konvergiert schneller und korrigiert hohe Varianz- und Lernraten39.

Mit den Validierungsdaten werden Hyperparameter angepasst und das Modell erstellt, um die Fahrzeugverkäufe für die nächsten drei Monate (drei Monate nach dem letzten Validierungsdatum) vorherzusagen. Die Modelllaufzeit aller Fahrzeuge war aufgrund der vielen Fahrzeugtypen sehr lang (357). In einer Zufallsstichprobe von 15 Fahrzeugen wurden die Zustände verschiedener Modelle anhand fester Daten verglichen und die Ergebnisse zwischen den drei Modellen verglichen.

Der Verkauf jedes Fahrzeugs wird in 12 Phasen prognostiziert; Jede Vorhersagestufe umfasst die Vorhersage für die nächsten drei Monate bzw. den ersten Monat der Vorhersage, den zweiten Monat der Vorhersage und den dritten Monat der Vorhersage. Insgesamt umfassen die ersten Vorhersagen 12 Monate, die zweiten Vorhersagen 12 Monate und die dritten Vorhersagen 12 Monate. Die Modellleistung wurde anhand des mittleren absoluten prozentualen Fehlers (MAPE), des quadratischen mittleren Fehlers, normalisiert durch den Änderungsbereich (\(NRSME_{Bereich}\)) und des quadratischen mittleren Fehlers, normalisiert durch den Mittelwert (\(NRSME_) bewertet. {Mittelwert}\)) gemäß Gl. 15–18.

Gemäß den obigen Gleichungen bezeichnet \(y_{t}\) den tatsächlichen Wert zum Zeitpunkt t, \(\hat{y}_{t}\) bezeichnet den vorhergesagten Wert zum Zeitpunkt t, \(y_{max}\ ) bezeichnet den maximalen tatsächlichen Wert, \(y_{min}\) bezeichnet den minimalen tatsächlichen Wert, \(y_{mean}\) bezeichnet den durchschnittlichen tatsächlichen Wert und T ist gleich der Gesamtzahl der vorhergesagten Stichproben. Um die Ergebnisse verschiedener Modelle vergleichen zu können, wurden die durchschnittlichen Fehlerwerte aller Fahrzeuge berechnet. Ein gewichteter Durchschnitt wurde berechnet, indem die Gesamtzahl der Verkäufe jedes Autos pro Monat als Gewicht für das Fahrzeug gemäß Gl. verwendet wurde. (19), da die Zahlen der Fahrzeugverkäufe nicht im gleichen Ausmaß liegen und die Fehlerquote bei Fahrzeugen mit hohen Verkaufszahlen stärker ins Gewicht fällt. Eine weitere Methode zur Überprüfung der Modellleistung besteht im Vergleich des R-Quadrats, der Steigung und des Achsenabschnitts der linearen Regressionen, die an vorhergesagte und beobachtete Daten für alle drei Modelle angepasst wurden. Tabelle 4 fasst die Bewertungsergebnisse der Modelle zusammen.

Im vorgeschlagenen Hybridmodell sind die Fehlerwerte niedriger, die R-Quadrat-Genauigkeit höher, der Steigungswert liegt näher bei 1 und der Achsenabschnitt liegt näher bei 0. Zu diesem Zeitpunkt wurde erkannt, dass das vorgeschlagene Hybridmodell beiden vorzuziehen ist die LSTM- und ConvLSTM-Modelle.

Für alle Fahrzeuge wurde das vorgeschlagene Hybridmodell implementiert und 12 Prognosepunkte wurden verwendet, um den Verkauf aller Fahrzeuge zu bestimmen. Eine lineare Regression wurde an die prognostizierten Verkäufe und tatsächlichen Werte angepasst, um die Leistung des Modells zu bewerten, wie in Tabelle 5 dargestellt.

Primärdaten segmentieren Fahrzeuge nach Spezifikationen gemäß Segmenten wie CAR-SMALL_COMPACT, CAR-MID_FULL SIZE, MINIVAN LARGE und PICKUP LARGE. Jedes Segment besteht aus ähnlichen Fahrzeugen in Aussehen und Spezifikationen, die miteinander konkurrieren. Segmente, die Elektrofahrzeuge enthalten, wurden getrennt, um den Anteil der Elektrofahrzeuge zu ermitteln. Basierend auf tatsächlichen und prognostizierten Verkäufen wurden die Anteile von Elektro- und Benzinfahrzeugen für jeden Monat der Testdaten verglichen und bewertet. Beispielsweise umfasst das CAR-MID/FULL-SIZE-Segment 28 Fahrzeuge (23 Benziner und fünf Elektrofahrzeuge). Abbildung 6 zeigt den Anteil der Elektrofahrzeuge in diesem Segment basierend auf zwölf Prognosestufen (drei Monate pro Stufe), getrennt für den ersten, zweiten und dritten Monat jeder Prognose.

(a) Anteil der Elektrofahrzeuge in CAR-MID/FULL-SIZE basierend auf dem ersten Monat jeder Vorhersage. (B). Anteil der Elektrofahrzeuge in CAR-MID/FULL-SIZE basierend auf dem zweiten Monat jeder Vorhersage. (c) Anteil der Elektrofahrzeuge in CAR-MID/FULL-SIZE basierend auf dem dritten Monat jeder Vorhersage.

Die MAEs aller Segmente für den prognostizierten Anteil der Elektrofahrzeuge im ersten, zweiten und dritten Monat der Prognose sind in Tabelle 6 aufgeführt. Der durchschnittliche MAE-Wert aller Segmente wurde mit 3,2 % für die ersten Monate, 3,8 % für die zweiten Monate und berechnet 3,5 % für den dritten Monat. Der Durchschnittswert für alle Segmente und alle Prognosemonate wurde mit etwa 3,5 % berechnet, was zeigt, dass das vorgeschlagene Hybridmodell gut abgeschnitten hat.

Im Rahmen der Modellanalyse wurden die Segmente, in denen Elektrofahrzeuge enthalten waren, noch einmal getrennt und nach den Umsätzen innerhalb jedes Segments geordnet. Die Rankings basierten auf tatsächlichen Verkäufen (tatsächlicher Rang) und prognostizierten Verkäufen (vorhergesagter Rang); Zur Bewertung wurden der tatsächliche Rang und der vorhergesagte Rang herangezogen. Die Kendall-Tau-Korrelation (Kendall-Korrelation) wird häufig verwendet, um die Übereinstimmung zweier Ranglisten zu überprüfen. Diese Technik wurde verwendet, um die tatsächlichen und vorhergesagten Rankings in dieser Studie zu untersuchen. Kendalls Korrelationsrate für zwei Bewertungslisten \(r_{a}\) und \(r_{b}\) (\(\tau_{{r_{a} , r_{b} }}\)) wird durch Gleichung dargestellt. (20) 40.

In Gl. (20), \(n_{c}\) stellt die Anzahl der übereinstimmenden Paare dar, \(n_{d}\) stellt die Anzahl der nicht übereinstimmenden Paare dar und n stellt die Gesamtzahl der Ränge in jeder der Bewertungslisten dar40. Die maximale Anzahl diskordanter Paare zwischen zwei Ranglisten ist gleich \(\frac{1}{2} n\left( {n - 1} \right)\), und die Kendall-Korrelation ist gleich + 1, wenn alle Rangpaare konkordant sind und -1, wenn keine konkordant sind 40. Für alle Segmente wurden die Korrelationswerte von Kendall für den ersten, zweiten und dritten Vorhersagemonat separat berechnet. Die Durchschnittswerte sind in Tabelle 7 aufgeführt. Der durchschnittliche Korrelationswert von Kendall für alle Segmente wurde wie folgt berechnet 0,76 für die ersten Monate, 0,742 für die zweiten Monate und 0,75 für die dritten Monate. Der durchschnittliche Kendall-Korrelationswert für alle Segmente und alle Prognosemonate wurde mit etwa 0,75 berechnet, was auf die hervorragende Leistung des vorgeschlagenen Hybridmodells bei der Vorhersage des Rankings hinweist.

Es wurde eine Sensitivitätsanalyse durchgeführt, um zu bestimmen, welche Merkmale einen signifikanten Einfluss auf das trainierte Modell hatten. Somit hat das vorab trainierte Modell, das in den vorherigen Phasen evaluiert wurde, für jedes Fahrzeug erneut die Anzahl der Fahrzeugverkäufe mit neuen Eingabedaten vorhergesagt und seine Ergebnisse wurden bewertet. Alle Merkmale mit Ausnahme des untersuchten Merkmals werden mit ihrem Durchschnitt bewertet. Für das untersuchte Merkmal werden die fünf Werte aus den Trainingsdaten (der Minimalwert, das erste Quartil, das zweite Quartil, das dritte Quartil und der Maximalwert) berücksichtigt. Auf der Grundlage dieser fünf Werte wurden fünf Vorhersagen getroffen und eine Reihe von Änderungen der prognostizierten Verkäufe berechnet. Die Änderungsbereiche für alle Merkmale wurden gemessen und die vier Merkmale mit dem größten Umfang wurden identifiziert. Während der Sensitivitätsanalyse des BMW I3 für 2020 beispielsweise wiesen die folgenden vier Merkmale die größte Bandbreite an Änderungen auf: der Verbraucherpreisindex (CPI), der entsprechende MPG für Elektrofahrzeuge, der Google-Suchwert für Autopreise (Google Trends). ) und der Autopreis. Die Diagramme der Sensitivitätsanalyse dieses EV sind in Abb. 7 dargestellt.

(a) Sensitivitätsanalysediagramm des einflussreichen Merkmals 1 für BMW I3. (b) Sensitivitätsanalysediagramm des einflussreichen Merkmals 2 für BMW I3. (c) Sensitivitätsanalysediagramm des einflussreichen Merkmals 3 für BMW I3. (d) Sensitivitätsanalysediagramm des einflussreichen Merkmals 4 für BMW I3.

Basierend auf Gl. (21) werden Steigungswerte für die vier Merkmale mit dem größten Änderungsbereich in verschiedenen Teilen des Diagramms berechnet und die Ergebnisse in Tabelle 8 zusammengefasst. Beispielsweise ist die Anzahl der Verkäufe dieses Elektrofahrzeugs um 8 gesunken jede Preiserhöhung um tausend Dollar, wenn der Preis im Bereich des Mindestwerts bis zum ersten Quartal liegt. Da die Steigung im zweiten und dritten Teil des Diagramms null Prozent beträgt, ist der Preis im ersten, zweiten und dritten Quartil gleich, und wenn der Preis im dritten Quartil dem Höchstpreis entspricht, entspricht dies der Anzahl der Verkäufe EV-Abnahme um 6 für jede Preiserhöhung um tausend Dollar.

Aufgrund des Anstiegs des VPI kam es zu einem Rückgang der Autoverkäufe. Es stimmt auch, dass mit der Erhöhung des VPI der Endpreis des Autos und der Preis für Autoteile gestiegen sind, was zu einem Rückgang der Kauflust für dieses Auto geführt hat. Das zweite Merkmal ist der äquivalente MPG für Elektrofahrzeuge. Ein höherer äquivalenter MPG, der auf eine bessere Leistung und einen geringeren Kraftstoffverbrauch auf einer bestimmten Distanz hinweist, hat zu einem Anstieg der Verkäufe dieses Autos geführt. Das dritte identifizierte Merkmal ist der Anstieg des Autopreis-Suchergebnisses bei Google (Google Trend), ein Indikator dafür, dass Käufer neugieriger auf dieses Auto sind und zu dessen Verkäufen beitragen. Das vierte spezifizierte Merkmal des Autos ist sein Preis, und seine Verkaufszahlen sind mit dem Anstieg des Preises zurückgegangen. Als Ergebnis der Sensitivitätsanalyse könnten die Hersteller dieses Autos Maßnahmen wie die Senkung des Preises des Autos und seiner Teile (CPI und Autopreis), die Verbesserung der Leistung des Fahrzeugmotors (entsprechender MPG) und die Entwicklung von Werbung ergreifen und die Einführung des Autos in der Öffentlichkeit (Google-Trend-Score), um den Umsatz zu steigern.

Für jedes Elektrofahrzeug wurde eine Empfindlichkeitsanalyse durchgeführt, und die Ergebnisse zeigen eine unterschiedliche Empfindlichkeit für jedes Fahrzeug. Aus jedem Segment, das Elektrofahrzeuge umfasst, wurde ein Fahrzeug als Stichprobe ausgewählt. Die Ergebnisse seiner Sensitivitätsanalyse sind in Tabelle 9 aufgeführt.

Die Sensitivitätsanalyse jedes Elektrofahrzeugs identifiziert Merkmale, die sich von den anderen unterscheiden, wie in Tabelle 9 dargestellt. Den Ergebnissen der Sensitivitätsanalyse zufolge wurden zehn Merkmale, die in der Sensitivitätsanalyse aller Elektrofahrzeuge am häufigsten gefunden wurden, als die einflussreichsten Merkmale identifiziert: Käufer, Mindestpreis, CPI, Verkäufe, Google Trends-Score 3 (Preis), Marken- und Modell-Nachrichten-Score, Persönliches Pro-Kopf-Einkommen, Marken-Nachrichten-Score, Zinssätze für 60 Monate bzw. Durchschnittlicher Optionen-Score.

Diese Studie befasst sich mit einem wichtigen Thema aus betriebswirtschaftlicher Sicht. Automobilhersteller können von dieser Forschung profitieren, indem sie ihren Marktanteil und die Auswirkungen von Preisgestaltung und Fahrzeugspezifikation auf den Marktanteil verstehen. Sie können die Ergebnisse dieser Studie nutzen, um sowohl ihren Elektrofahrzeugmarkt als auch ihren Nicht-Elektrofahrzeugmarkt zu analysieren. Weiter unten im Trichter können Autohändler, die in einem hart umkämpften Umfeld tätig sind, ihre Verkaufsveranstaltungen, Marketingkampagnen und Rabatte strategisch so gestalten, dass sie ihre Geschäftsziele und Zielverkäufe erreichen. Schließlich ermöglicht das Modell dem öffentlichen Sektor, die Auswirkungen der Steuerpolitik auf den Anteil von Elektrofahrzeugen zu verstehen, falls er diese fördern möchte.

Diese Studie verwendete ML-Methoden, um ein Vorhersagemodell zu entwickeln, das den Verkauf aller Autos im Datensatz und den Anteil der Elektrofahrzeuge in jedem Segment schätzte und die Hauptfaktoren identifizierte, die sich auf die Verkäufe jedes Elektrofahrzeugs auswirken. In dieser Untersuchung wurden mehrere Webcrawler verwendet, um verschiedene Daten zu sammeln, darunter Faktoren, die in früheren Studien nachweislich mit dem Verkauf von Elektrofahrzeugen in Zusammenhang stehen. Der Fahrzeugverkauf wurde mithilfe von LSTM, ConvLSTM und dem vorgeschlagenen Hybridmodell (Hybrid-LSTM mit zweidimensionalem Aufmerksamkeits- und Residualnetzwerk) vorhergesagt. Mehrere ML-Tools wurden verwendet, um das Training des Modells und den Modellierungsprozess zu verbessern, z. B. die Umwandlung zweidimensionaler Zeitreihendaten in dreidimensionale Tensoren, Dropout-Ebenen, Frühstopp-Tools und AutoML. Aufgrund der Vielfalt der Fahrzeugtypen und der langen Laufzeit der Modelle wurde eine zufällige Auswahl von fünfzehn Fahrzeugtypen getroffen. Alle drei Modelle werden auf der Grundlage derselben Bewertungseinheiten bewertet: MAPE, NRSME_range und NRSME_mean, R-Quadrat, Steigung und Achsenabschnitt angepasster linearer Regressionen wurden ebenfalls bewertet. Die durchschnittlichen Fehlerwerte in den drei Monaten der Vorhersage waren wie folgt:

Der MAPE-Wert des vorgeschlagenen Hybridmodells war 4,5 % niedriger als der des LSTM-Modells und 14,4 % niedriger als der des ConvLSTM-Modells.

Der NRSME_range-Wert des Hybridmodells war 0,11 niedriger als der des LSTM-Modells und 0,22 niedriger als der des ConvLSTM-Modells.

Der NRSME_mean-Wert des Hybridmodells war 0,079 niedriger als der des LSTM-Modells und 0,169 niedriger als der des ConvLSTM-Modells.

Als Ergebnis der Anpassung linearer Regressionen an die vorhergesagten und tatsächlichen Werte weist das vorgeschlagene Hybridmodell für alle drei Vorhersagemonate einen höheren R-Quadrat-Wert auf, seine Steigung liegt näher bei eins und sein Achsenabschnitt liegt näher bei Null, was darauf hindeutet dass das Hybridmodell besser abschnitt als die beiden anderen. Beim Vergleich der Modelle wurde festgestellt, dass das vorgeschlagene Hybridmodell eine bessere Leistung als andere Modelle erbrachte und ausgewählt wurde, um den Verkauf aller Fahrzeuge im Datensatz vorherzusagen. Basierend auf der linearen Regression, die an die prognostizierten Verkäufe und die tatsächlichen Verkäufe aller Fahrzeuge angepasst wurde, betrugen die R-Quadrat-Werte für den ersten, zweiten und dritten Vorhersagemonat 0,912, 0,906 und 0,917.

Anhand der prognostizierten Verkäufe aller Fahrzeuge wurde der prognostizierte Anteil der Elektrofahrzeuge in jedem Segment berechnet und mit den tatsächlichen Werten verglichen. Über alle Segmente und Prognosemonate hinweg beträgt der durchschnittliche MAE-Wert für den Elektrofahrzeuganteil etwa 3,5 %, und das Hybridmodell hat den Anteil der Elektrofahrzeuge in allen Segmenten genau vorhergesagt. Um die Modellergebnisse weiter zu analysieren, wurden die Autos nach der Anzahl der tatsächlichen und prognostizierten Verkäufe in jedem Segment eingestuft. Der durchschnittliche Kendall-Korrelationswert für alle Segmente und alle Prognosemonate wurde mit etwa 0,75 berechnet, was auf die hohe Leistung des vorgeschlagenen Hybridmodells bei der Vorhersage des Rankings hinweist.

Die Sensitivitätsanalyse wurde durchgeführt, um das Modell weiter zu bewerten und seine einflussreichsten Merkmale zu identifizieren. Die Ergebnisse haben gezeigt, dass die Sensitivitätsanalyse jedes Elektrofahrzeugs Merkmale identifiziert, die sich von den anderen unterscheiden. Laut der Sensitivitätsanalyse des BMW I3 für 2020 waren die folgenden vier Merkmale am stärksten betroffen: der Verbraucherpreisindex, der entsprechende MPG für Elektrofahrzeuge, der Google-Suchwert und der Autopreis. Als Ergebnis der Sensitivitätsanalyse könnten die Hersteller dieses Autos Maßnahmen wie die Senkung des Preises des Autos und seiner Teile, die Verbesserung der Motorleistung, die Entwicklung von Werbung und eine bessere Einführung des Autos ergreifen, um den Umsatz zu steigern (siehe Anhang Tabellen A1 bis). A4.2, Abb. A1).

Diese Forschung hat folgende Erfolge erzielt:

Eine Vielzahl von Faktoren wurde gesammelt und als Variablen zur Modellierung des Verkaufs von Elektrofahrzeugen verwendet.

LSTM und ConvLSTM, leistungsstarke DL-Modelle, wurden zur Vorhersage von Fahrzeugverkäufen verwendet. Durch die Kombination des zweidimensionalen Aufmerksamkeitsmodells und des Residualnetzwerks wurde die Leistung des LSTM-Modells verbessert und das innovative Hybridmodell schnitt besser ab als die beiden anderen.

Abhängig von den Ergebnissen der Sensitivitätsanalyse unterscheiden sich Elektrofahrzeuge hinsichtlich der einflussreichsten Faktoren für den Verkauf. Die zehn Merkmale, die in der Sensitivitätsanalyse aller Elektrofahrzeuge am häufigsten auftraten, wurden als die einflussreichsten identifiziert, darunter Käufer, Mindestpreis, CPI, Verkäufe, Google Trends-Score 3 (Preis), News-Score für Marke und Modell, persönliches Pro-Kopf-Einkommen , News-Score für Marke, Zinssätze für 60 Monate bzw. mittlerer Options-Score.

Der primäre Datensatz stammte von Autometrics, andere Daten wurden mithilfe von Webcrawlern erfasst. Die Daten sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

https://www.epa.gov/ghgemissions/inventory-us-greenhouse-gas-emissions-and-sinks (2020).

MacInnis, B. & Krosnick, J. Climate Insights 2020: Elektrofahrzeuge. (2020).

https://theicct.org/the-rise-of-electric-vehicles-the-second-million/ (2020).

https://www.iea.org/fuels-and-technologies/electric-vehicles (2022).

Brühl, B., Hülsmann, M., Borscheid, D., Friedrich, C. M. & Reith, D. in Industrial Conference on Data Mining. 146–160 (Springer).

Wang, F.-K., Chang, K.-K. & Tzeng, C.-W. Verwendung eines adaptiven, netzwerkbasierten Fuzzy-Inferenzsystems zur Prognose von Automobilverkäufen. Expertensystem. Appl. 38, 10587–10593 (2011).

Artikel Google Scholar

Hülsmann, M., Borscheid, D., Friedrich, CM & Reith, D. Allgemeine Absatzprognosemodelle für Automobilmärkte und deren Analyse. Trans. Mach. Lernen. Daten min. 5, 65–86 (2012).

Google Scholar

Kitapcı, O., Özekicioğlu, H., Kaynar, O. & Taştan, S. Die Auswirkungen der in der Türkei angewandten Wirtschaftspolitik auf den Verkauf von Automobilen: Multiple Regression und neuronale Netzwerkanalyse. Procedia Soc. Verhalten. Wissenschaft. 148, 653–661 (2014).

Artikel Google Scholar

Bas, J., Zou, Z. & Cirillo, C. Ein interpretierbarer maschineller Lernansatz zum Verständnis der Auswirkungen von Einstellungs- und Ridesourcing-Faktoren auf die Einführung von Elektrofahrzeugen. Transp. Lette. 15, 30–41 (2023).

Artikel Google Scholar

Zhang, Y., Zhong, M., Geng, N. & Jiang, Y. Prognose des Elektrofahrzeugabsatzes mit univariaten und multivariaten Zeitreihenmodellen: Der Fall China. PLoS ONE 12, e0176729 (2017).

Artikel PubMed PubMed Central Google Scholar

Kaya, SK & Yıldırım, Ö. Ein Vorhersagemodell für Automobilverkäufe in der Türkei unter Verwendung tiefer neuronaler Netze. Wirtschaftsingenieurwesen 31, 57–74 (2020).

Google Scholar

Xia, Z. et al. ForeXGBoost: Pkw-Verkaufsprognose basierend auf XGBoost. Vertrieb. Parallele Datenbanken 38, 713–738 (2020).

Artikel Google Scholar

Bas, J., Cirillo, C. & Cherchi, E. Klassifizierung potenzieller Käufer von Elektrofahrzeugen: Ein Ansatz des maschinellen Lernens. Technol. Vorhersage. Soc. Chang. 168, 120759 (2021).

Artikel Google Scholar

Saxena, P., Bahad, P. & Kamal, R. Langes Kurzzeitgedächtnis-RNN-basiertes Modell für multivariate Autoverkaufsprognosen. Int. J. Adv. Wissenschaft. Technol. 29, 4645–4656 (2020).

Google Scholar

Beggs, S., Cardell, S. & Hausman, J. Bewertung der potenziellen Nachfrage nach Elektroautos. J. Ökonom. 17, 1–19 (1981).

Artikel Google Scholar

Calfee, JE Schätzung der Nachfrage nach Elektroautos mithilfe einer vollständig disaggregierten probabilistischen Auswahlanalyse. Transp. Res. Teil B Methodol. 19, 287–301 (1985).

Artikel Google Scholar

Mau, P., Eyzaguirre, J., Jaccard, M., Collins-Dodd, C. & Tiedemann, K. Der „Nachbareffekt“: Simulation der Dynamik der Verbraucherpräferenzen für neue Fahrzeugtechnologien. Ökologisch. Wirtschaft. 68, 504–516 (2008).

Artikel Google Scholar

Balducci, PJ Plug-in-Hybrid-Elektrofahrzeug-Penetrationsszenarien. (Pacific Northwest National Lab. (PNNL), Richland, WA (USA) (2008).

Hess, S., Fowler, M., Adler, T. & Bahreinian, A. Ein gemeinsames Modell für die Wahl des Fahrzeugtyps und des Kraftstofftyps: Belege aus einer kreuzverschachtelten Logit-Studie. Transport 39, 593–625 (2012).

Artikel Google Scholar

Bas, J., Zofío, JL, Cirillo, C., Chen, H. & Rakha, HA Politische und industrielle Auswirkungen der potenziellen Marktdurchdringung von Elektrofahrzeugen mit öko-kooperativer adaptiver Geschwindigkeitsregelung. Transp. Res. Teil A Richtlinienpraxis. 164, 242–256 (2022).

Artikel Google Scholar

Shafiei, E. et al. Ein agentenbasierter Modellierungsansatz zur Vorhersage der Entwicklung des Marktanteils von Elektrofahrzeugen: Eine Fallstudie aus Island. Technol. Vorhersage. Soc. Chang. 79, 1638–1653 (2012).

Artikel Google Scholar

Kinski, A. Google-Trends als ergänzendes Tool für die Prognose von Neuwagenverkäufen: Ein länderübergreifender Vergleich entlang der Customer Journey, Universität Twente (2016).

https://en.wikipedia.org/wiki/Artificial_intelligence (2023).

https://en.wikipedia.org/wiki/Recurrent_neural_network (2023).

Hochreiter, S. & Schmidhuber, J. Langes Kurzzeitgedächtnis. Neuronale Berechnung. 9, 1735–1780 (1997).

Artikel CAS PubMed Google Scholar

Basodi, S., Ji, C., Zhang, H. & Pan, Y. Gradientenverstärkung: Eine effiziente Möglichkeit, tiefe neuronale Netze zu trainieren. Big Data Min. Anal. 3, 196–207 (2020).

Artikel Google Scholar

Wei, X., Zhang, L., Yang, H.-Q., Zhang, L. & Yao, Y.-P. Maschinelles Lernen zur Zeitreihenvorhersage des Porenwasserdrucks: Anwendung rekurrenter neuronaler Netze. Geosci. Vorderseite. 12, 453–467 (2021).

Artikel ADS Google Scholar

Shi, X. et al. Faltungs-LSTM-Netzwerk: Ein maschineller Lernansatz für Niederschlags-Nowcasting. Fortschritte in neuronalen Informationsverarbeitungssystemen 28 (2015).

Bahdanau, D., Cho, K. & Bengio, Y. Neuronale maschinelle Übersetzung durch gemeinsames Erlernen des Ausrichtens und Übersetzens. arXiv-Vorabdruck arXiv:1409.0473 (2014).

https://www.alexa.com/ (2021).

https://www.thecarconnection.com/ (2021).

https://www.autoblog.com/news/ (2021).

https://www.autonews.com/news (2021).

https://www.motor1.com/news/ (2021).

https://www.thecarconnection.com/news (2021).

Hutto, C. & Gilbert, E. in Proceedings der internationalen AAAI-Konferenz zu Web und sozialen Medien. 216–225.

https://fred.stlouisfed.org/ (2021).

Baldi, P. & Sadowski, PJ Den Schulabbrecher verstehen. Fortschritte in neuronalen Informationsverarbeitungssystemen 26 (2013).

Kingma, DP & Ba, J. Adam. Eine Methode zur stochastischen Optimierung. arXiv-Vorabdruck arXiv:1412.6980 (2014).

Bachrach, Y., Herbrich, R. & Porat, E. im International Symposium on String Processing and Information Retrieval. 344–352 (Springer).

Referenzen herunterladen

Die Autoren erhielten keine finanzielle Unterstützung für die Recherche, Autorenschaft und/oder Veröffentlichung dieses Artikels.

Department of Transportation, School of Civil Engineering, Iran University of Science and Technology, Teheran, Iran

Shahriar Afandizadeh und Diyako Sharifi

AECOM, Glen Allen, VA, USA

Navid Kalantari

Abteilung für Zivilverkehrsplanung, Fakultät für Technik und Ingenieurwesen, Imam Khomeini International University, Qazvin, Iran

Hamid Mirzahossein

Sie können diesen Autor auch in PubMed Google Scholar suchen

Die Autoren bestätigen den Beitrag zum Papier wie folgt: Studienkonzeption und -design: SA, DS, NK, HM; Datenerhebung: NK, DS; Analyse und Interpretation der Ergebnisse: SA, DS, NK; Manuskriptvorbereitung: DS, HM Alle Autoren überprüften die Ergebnisse und genehmigten die endgültige Version des Manuskripts. Die Autoren stimmen der Veröffentlichung des eingereichten Artikels und aller damit verbundenen Daten und begleitenden Bilder zu

Korrespondenz mit Shahriar Afandizadeh.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Afandizadeh, S., Sharifi, D., Kalantari, N. et al. Einsatz maschineller Lernmethoden zur Vorhersage der Marktdurchdringung von Elektrofahrzeugen im Automobilmarkt. Sci Rep 13, 8345 (2023). https://doi.org/10.1038/s41598-023-35366-3

Zitat herunterladen

Eingegangen: 13. November 2022

Angenommen: 17. Mai 2023

Veröffentlicht: 23. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35366-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.