Forecasting Electric Vehicle Sales Using Optimized SARIMA Model: A Two-Year Predictive Analysis

Year 2024, Volume: 7 Issue: 2, 41 - 51, 26.12.2024

Buse Çetin , Çağatay Taşdemir

Abstract

The rapid expansion of the electric vehicle (EV) market underscores the need for accurate forecasting models to guide decision-making for manufacturers, policymakers, and stakeholders. This study leverages the Seasonal Autoregressive Integrated Moving Average (SARIMA) model to predict monthly EV sales for the next two years based on historical sales data from January 2021 to December 2023. The data is sourced from the U.S. Department of Energy's 'Monthly Sales of New Light-Duty EVs in the United States' report. The SARIMA model is optimized through a comprehensive grid search, resulting in an optimal configuration of (1, 0, 2) for the non-seasonal component and (1, 0, 1, 12) for the seasonal component. The methodology involves preprocessing the sales data to confirm stationarity using the Augmented Dickey-Fuller (ADF) test. A grid search identifies the optimal parameters, with model performance evaluated using the Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), and Hannan-Quinn Information Criterion (HQIC). The chosen model exhibits an AIC of 739.51, BIC of 749.01, and HQIC of 742.82, indicating a good fit. The forecasting results reveal a consistent upward trend in EV sales over the next 24 months, with the model predicting sales to reach approximately 96,076 units by January 2024, peaking at 108,559 units in July 2024 and slightly tapering off to 100,676 units by December 2025. These projections underscore the increasing consumer adoption of electric vehicles and provide valuable insights for industry stakeholders. With its consistent upward trend, the predicted growth trajectory highlights the potential for continued market expansion, driven by advancements in EV technology, increasing environmental awareness, and supportive governmental policies. In conclusion, the SARIMA model provides a reliable forecast of EV sales, facilitating informed strategic planning and resource allocation for industry participants. This research contributes to the broader understanding of market dynamics in the rapidly evolving electric vehicle sector. It underscores the importance of robust predictive analytics in supporting sustainable growth, instilling a sense of optimism and hope for the industry's future.

Keywords

Electric Vehicles, Demand Forecasting, Time Series Analysis, SARIMA

Optimize Edilmiş SARIMA Modeli Kullanarak Elektrikli Araç Satışlarının Tahmini: İki Yıllık Öngörü Analizi

Abstract

Elektrikli araç (EV) pazarının hızla genişlemesi, üreticiler, politika yapıcılar ve paydaşlar için doğru tahmin modellerine olan ihtiyacı artırmaktadır. Bu çalışma, Ocak 2021'den Aralık 2023'e kadar olan tarihi satış verilerine dayanarak, önümüzdeki iki yıl için aylık EV satışlarını tahmin etmek amacıyla Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA) modelini kullanmaktadır. Veriler, ABD Enerji Bakanlığı'nın 'Amerika Birleşik Devletleri'nde Yeni Hafif Hizmet EV'lerinin Aylık Satışları' raporundan elde edilmiştir. SARIMA modeli, kapsamlı bir grid arama yoluyla optimize edilerek, mevsimsel olmayan bileşen için (1, 0, 2) ve mevsimsel bileşen için (1, 0, 1, 12) olarak belirlenen optimal konfigürasyona ulaşılmıştır. Yöntem, satış verilerinin Augmented Dickey-Fuller (ADF) testi kullanılarak durağanlığının doğrulanmasını içermektedir. Optimal parametrelerin belirlenmesi için grid arama kullanılmış ve modelin performansı Akaike Bilgi Kriteri (AIC), Bayesyen Bilgi Kriteri (BIC) ve Hannan-Quinn Bilgi Kriteri (HQIC) ile değerlendirilmiştir. Seçilen modelin AIC değeri 739.51, BIC değeri 749.01 ve HQIC değeri 742.82 olup, iyi bir uyum sağladığını göstermektedir. Tahmin sonuçları, önümüzdeki 24 ay boyunca EV satışlarında istikrarlı bir artış eğilimi ortaya koymakta; model, Ocak 2024'te yaklaşık 96.076 adet satış öngörmekte, Temmuz 2024'te 108.559 adede ulaşacağını ve Aralık 2025'te hafif bir düşüşle 100.676 adede gerileyeceğini tahmin etmektedir. Bu projeksiyonlar, elektrikli araçların artan tüketici benimsenmesini vurgulamakta ve sektör paydaşları için değerli içgörüler sunmaktadır. Tahmin edilen büyüme eğilimi, EV teknolojisindeki gelişmeler, artan çevresel farkındalık ve destekleyici hükümet politikaları ile yönlendirilen pazar genişlemesi potansiyelini gözler önüne sermektedir. Sonuç olarak, SARIMA modeli, EV satışlarının güvenilir bir şekilde tahmin edilmesini sağlamakta ve sektör katılımcıları için stratejik planlama ve kaynak tahsisine yönelik bilinçli kararlar alınmasına katkıda bulunmaktadır. Bu araştırma, hızla gelişen elektrikli araç sektöründe pazar dinamiklerinin daha geniş bir şekilde anlaşılmasına katkı sağlamakta ve sürdürülebilir büyümeyi desteklemede güçlü tahmin analitiklerinin önemini vurgulamaktadır. Bu da, sektörün geleceği için bir iyimserlik ve umut duygusu aşılamaktadır.

Keywords

Elektrikli Araçlar, Talep Tahmini, Zaman Serisi Analizi, SARIMA

References

• H. Ozbay, C. Kozkurt, A. Dalcali, and M.Tektas, “Geleceğin ulaşım tercihi: Elektrikli araçlar.”
• H. Kaymaz and Y. Hançar, “Elektrikli Araç Batarya Yönetim Sistemleri için Hücre Eşitleme Yöntemleri,” Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi, vol. 4, no. 1, pp. 59–73, Apr. 2021, doi: 10.51513/jitsa.897126.
• Y. Kim, H. Son, and S. Kim, “Short Term Electricity Load Forecasting for Institutional Buildings,” Energy Reports, vol. 5, pp. 1270–1280, Nov. 2019, doi: 10.1016/j.egyr.2019.08.086.
• C. C. Nwokike, B. C. Offorha, M. Obubu, C. B. Ugoala, and H. I. Ukomah, “Comparing SANN and SARIMA for Forecasting Frequency of Monthly Rainfall in Umuahia,” Sci Afr, vol. 10, p. e00621, Nov. 2020, doi: 10.1016/j.sciaf.2020.e00621.
• E. Mugaoglu and E. Kilic, “G7 Ülkeleri İşsizlik Oranı Tahminleri:SARIMA-GARCH Model Karşılaştırması,” Journal of Yaşar University, vol. 16, no. 61, pp. 228–247, Jan. 2021, doi:10.19168/jyasar.803807.
• T. Falatouri, F. Darbanian, P. Brandtner, and C. Udokwu, “Predictive Analytics for Demand Forecasting – A Comparison of SARIMA and LSTM in Retail SCM,” Procedia Comput Sci, vol. 200, pp. 993–1003, 2022, doi: 10.1016/j.procs.2022.01.298.
• S. Ciftci and G. D. Batur Sir, “An Application for Forecasting The Number of Applications to the Emergency Department with Time Series Analysis and Machine Learning Methods,” Pamukkale University Journal of Engineering Sciences, vol. 29, no. 7, pp. 667–679, 2023, doi: 10.5505/pajes.2022.18488.
• P. Banda, M. A. Bhuiyan, K. N. Hasan, and K. Zhang, “Assessment of hybrid transfer learning method for forecasting EV profile and system voltage using limited EV charging data,” Sustainable Energy, Grids and Networks, vol. 36, p. 101191, Dec. 2023, doi: 10.1016/j.segan.2023.101191.
• G. Kayran, O. Uzun Araz, M. Celal Bayar Üniversitesi, M. Fakültesi, and E. Mühendisliği Bölümü, “Toplu Taşıma Yolcu Talebinin SARIMA ve PROPHET Yöntemleri İle Tahmini,” Endüstri Mühendisliği / Journal of Industrial Engineering, vol. 34, no. 3, pp. 334–356, 2023, doi: 10.46465/endustrimuhendisligi.1281456.
• E. F. Agyemang, J. A. Mensah, E. Ocran, E. Opoku, and E. N. N. Nortey, “Time series based road traffic accidents forecasting via SARIMA and Facebook Prophet model with potential changepoints,” Heliyon, vol.9, no.12, p. e22544, Dec. 2023, doi:10.1016/j.heliyon.2023.e22544.
• A. Sebatlı Sağlam and F. Çavdur, “Prediction Of Parking Space Availability Using ARIMA And Neural Networks,” Endüstri Mühendisliği, vol. 34,no.1,pp.86–108, Apr. 2023, doi: 10.46465/endustrimuhendisligi.1241453.10.46465
• S. Kumari and P. Muthulakshmi, “SARIMA Model: An Efficient Machine Learning Technique for Weather Forecasting,” Procedia Comput Sci, vol. 235, pp. 656–670, 2024, doi: 10.1016/j.procs.2024.04.064.
• J. Liu, Z. Zhao, Y. Zhong, C. Zhao, and G. Zhang, “Prediction of the dissolved gas concentration in power transformer oil based on SARIMA model,” Energy Reports, vol. 8, pp. 1360–1367, Aug. 2022, doi: 10.1016/j.egyr.2022.03.020.
• Akay, E. Ç., Topal, K. H., Kizilarslan, S., Bulbul, “Türkiye Konut Fiyat Endeksi Öngörüsü: ARIMA, Rassal Orman ve ARIMA-RASSAL ORMAN.” PressAcademia Procedia, 10(1), 7-11, 2019, doi:10.17261/Pressacademia. 2019.1134.
• Tayyar, A. E., “Türkiye’de Politik Parasal Dalgalanmalar: 1986-2016 Dönemi İçin SARIMA Analizi”, Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 9(5), 1381-1401, 2020, doi: 10.18506/ anemon.761615.
• Akgül, I., “Zaman Serisi Analizi ve Öngörü Modelleri”, Öneri Dergisi, 1(1), 52-69, 1994, doi:10.14783/maruoneri.698511.
• Yüceer, M., Atasoy, I., Berber, R., “A software for parameter estimation in dynamic models”, Brazilian J. of Chem. Engineering, Cilt. 25(4), 813 – 821, 2008.
• Huang, W., Li, Y., Zhao, Y., Zheng, L., “Time Series Analysis and Prediction on Bitcoin”, BCP Business & Management, 34, 1223-1234, 2022, doi: 10.54691/bcpbm.v34i.3163.
• İnce, M., Taşdemir, Ç., “Forecasting Retail Sales for Furniture and Furnishing Items through the Employment of Multiple Linear Regression and Holt–Winters Models”, Systems, 12(6), 1-29, 2024, doi: 10.3390/systems12060219.
• Yuan, Z., Jia, G., “Systematic investigation of keywords selection and processing strategy on search engine forecasting: a case of tourist volume in Beijing”, Information Technology & Tourism, 24(4), 547-580, 2022, doi: 10.1007/s40558-022-00238-5.