Resumen

La demanda potencial de vehículos eléctricos de batería (BEV) es la base de la toma de decisiones para la formulación de políticas gubernamentales, la expansión de la capacidad de fabricación de las empresas y la construcción de infraestructuras de recarga. Predecir con exactitud la cantidad futura de BEV es muy importante para el desarrollo de BEV tanto en la práctica como en la teoría. El presente artículo trata de comparar la precisión a corto plazo de un modelo de Bass modificado propuesto y el modelo de Lotka-Volterra (LV), tomando como caso de estudio el desarrollo del BEV en China. Utilizando los datos estadísticos de la cantidad de BEV de China de 21 meses desde enero de 2015 hasta septiembre de 2016, comparamos la precisión de la simulación basada en el valor del error medio porcentual absoluto (MAPE) y discutimos la capacidad de previsión de los dos modelos de acuerdo con las expectativas del gobierno de China. Según el valor MAPE, los dos modelos tienen una buena precisión de predicción, pero el modelo Bass es más preciso que el modelo LV. El modelo de Bass tiene una sola dimensión y se centra en la tendencia de difusión, mientras que el modelo LV tiene dos dimensiones y describe principalmente la relación y el proceso de competencia entre las dos poblaciones. En futuras investigaciones, deberían combinarse las ventajas de previsión del modelo de Bass y del modelo LV para obtener un efecto de predicción más preciso.

• Materias:Transporte urbano Señales de control de tráfico Accidentes de transito Planificación de ruta Capacidad de tráfico
• Subjects:Urban transport Traffic control signs Traffic accidents Path planning Traffic capacity
• Palabras claves:modelo bass, modelo lv, bev, china, ampliación de la capacidad de fabricación de las empresas, error medio porcentual absoluto, efecto predictivo preciso, buena precisión predictiva, formulación de políticas gubernamentales, modelos
• Keywords:bass model, lv model, bev, china, enterprise manufacture capacity expansion, mean absolute percentage error, accurate predicting effect, good prediction accuracy, government policy formulation, models