近年来,随着大数据的发展,汽车数据服务变得尤为重要。在当下,使用人工智能技术依靠汽车行业历史数据预测未来销量,可以为相关汽车企业和汽车政府机构提供强有力的数据支撑,对销量变化趋势进行展示及预警,以便相关人员及时制定政策、及时调整企业的内部调度,避免由于风险应对不及时带来的财产损失和行业动荡。所以构建模型实现销量预测技术是关键,但是当前的许多研究对于汽车销量预测存在着不够具体和精确的问题。由于乘用车销量占据整体汽车市场的主导地位,可以反映整体汽车市场的变化趋势,因此本文针对乘用车细分市场销量预测技术进行研究（主要预测未来四个月的乘用车销量）。本文的主要研究内容如下:1.为了挖掘乘用车历史数据中的信息,对原始数据进行了数据预处理、特征构造和特征选择。首先进行填充缺失车型数据、去除冗余车型数据、对数平滑等操作;然后构建特征充分学习乘用车历史数据中的丰富信息,并进行特征选择,选择适用于本任务场景下最合适的特征集合,提高模型精度。2.为了进一步提升模型预测效果,提出了三种不同的解决方案进行实验对比。在基于特征构造和特征选择的树模型方法中对比了不同树模型在不同特征子集时的效果,其中LightGBM模型在最适合于本任务特征子集下的模型性能表现出色;对比了不同基于多输出策略的深度学习方法,主要是可以学习时序依赖的神经网络模型;对比了不同编码器-解码器结构的深度学习方法,主要是可以学习标签相关性的编码器-解码器结构,其中基于注意力机制的编码器-解码器LSTM更能捕获长期依赖关系。最终使用LightGBM模型的预测结果和基于注意力机制的编码器-解码器LSTM的预测结果进行融合进一步提升模型预测效果。3.基于上述最适用于本任务的乘用车细分市场销量预测方案,设计并实现了乘用车细分市场销量预测系统,给相关汽车企业和汽车政府机构强有力的数据支撑,帮助用户了解乘用车未来销量的具体趋势,及时调整变动,减少经济损失。本文使用的数据是来自颍上保险的真实乘用车数据,评价指标为乘用车销量预测的归一化均方根误差的均值。本文通过实验对比三种解决方案,最终将归一化均方根误差的均值降低为0.2247,为相关汽车企业和汽车政府机构提供更精准的销量趋势预测服务。