立体车库车位数量需求预测数据

1.企业可基于同比增长率与未来30天车位数预测值，识别立体车库市场的需求变化趋势，为销售计划与资源配置提供数据依据。 2.该数据可作为数据产品流通，立体车库投资方可基于同比增长率与未来30天车位数最终预测值，评估目标市场的需求增长潜力，辅助投资决策。 3.本数据集输出的"同比增长率"与"未来30天车位数最终预测值"，可作为立体车库车位数预测模型的训练数据集。经该数据集训练后的模型，可基于同比增长率自动识别需求增长与下降的市场，辅助企业提前调整销售策略。1、加工前数据说明 （1）加工前的数据为公司立体车库合同的每日销售汇总数据，采集字段包括：统计日期，当日合同车位数合计（个）。 （2）数据预处理：按统计日期聚合合同明细数据，当日无合同签订时，当日合同车位数合计记为0；剔除明显异常数据。 2、处理规则 （1）计算历史车位数：对于立体车库产品，对车位数字段进行累加，分别计算出其过去365天、90天和30天的车位数总和。 （2）计算历史同期车位数：对于立体车库产品，计算其去年同时段90天的车位数总和（过去第455天至第366天）。 （3）计算同比增长率：同比增长率 = 过去90天车位数 ÷ 去年同时段90天车位数 - 1；若分母为0且分子>0，则同比增长率可设为1（即100%）；若分子也为0，则设为0。 （4）建立车位数预测模型：未来30天车位数预测值 = [(过去365天车位数÷365×a) + (过去90天车位数÷90×b) + (过去30天车位数÷30×c)] × 30 × (1 + 同比增长率)，其中：系数a=0.5，b=0.3，c=0.2。系数a、b、c反映各时间窗口对未来30天车位数预测的影响程度，由于算法更注重长期需求趋势的影响，因此a被赋予了最高权重；同比增长率用于动态捕捉市场大环境带来的增量或减量变化。 （5）判断未来30天是否有已知重大事件（如老旧小区改造政策、新能源汽车停车位配建标准调整、城市停车规划改革、重大节假日等）：①若有，则对未来30天车位数预测值进行额外修正：定义每个事件的影响系数e（例如：老旧小区改造政策推动可提升需求量20%，则e=0.2；配建标准收紧导致需求量下降30%，则e=-0.3），综合影响系数E为未来30天内所有事件影响系数e之和，未来30天车位数最终预测值 = 未来30天车位数预测值 × (1 + E)；②若无，则E=0，未来30天车位数最终预测值 = 未来30天车位数预测值。 3、数据内容描述 本数据集的采集字段为：统计日期，当日合同车位数合计（个）。 采集的数据经上述算法规则处理后，输出的数据内容为：过去365天车位数（个）、过去90天车位数（个）、过去30天车位数（个）、去年同时段90天车位数（个）、同比增长率、未来30天车位数预测值（个）、是否有已知重大事件、综合影响系数E、未来30天车位数最终预测值（个）。

搜集汇总

背景与挑战

背景概述

该数据集基于公司立体车库合同的每日销售汇总数据，通过计算过去365天、90天、30天的车位数及去年同期数据，得出同比增长率，并利用加权模型预测未来30天车位数，同时考虑重大事件影响进行修正。数据集包含统计日期、各窗口车位数、同比增长率、预测值及最终预测值等字段，规模近四千条，每日更新。其应用场景包括帮助企业识别市场需求变化趋势、辅助投资决策，以及作为训练数据用于优化车位数预测模型。