新能源汽车因其在节能、环保方面所具有的优势,以及国家优惠政策的支持,吸引着越来越多的消费者,成为购车时的一种重要选择。企业瞄准需求快速增长的新能源汽车市场,纷纷加大新能源汽车的生产力度。然而新能源汽车市场的快速扩张导致了严重的产销不平衡问题,造成企业利益的损失。企业如何对新能源汽车的销量进行及时且准确的预测,制定科学合理的生产计划成为亟需解决的问题。研究表明,在互联网时代,消费者在做出购物决策前,越来越依赖于搜索引擎和社交媒体获取商品的相关信息,尤其是汽车这样的高价值商品,关键词网络搜索量在一定程度上能够反映出消费者的需求变化。对消费者留下的网络痕迹数据进行挖掘,为研究新能源汽车销量预测提供了新思路。本文基于数据挖掘的思想,探究信息时代下,新能源汽车历史销量数据、关键词网络搜索数据与销量预测之间的关系,构建模型对新能源汽车销量进行预测。首先从中汽协网站上收集整理了2014年1月——2021年12月国内新能源汽车历史销量数据;利用国内搜索引擎渗透率排名第一的百度搜索引擎,进行同时间范围关键词百度指数数据的收集整理;通过对新能源汽车历史销量数据和百度指数数据进行相关性分析和时差相关性分析,筛选出与历史销量数据相关性较高,且在时间上有领先关系的61个网络搜索关键词用于研究。利用收集到的数据,本文分别构建了基于新能源汽车历史销量数据的ARIMA销量预测模型、单特征LSTM销量预测模型,以及基于新能源汽车历史销量数据和关键词百度指数数据的VAR销量预测模型、多特征LSTM销量预测模型。经实验表明,本文构建的ARIMA（0,1,1）模型的平均绝对百分比误差（MAPE）为6.22%,VAR（5）模型静态拟合适合销量长期趋势的预测,动态拟合适合短期销量预测,单特征LSTM模型的MAPE为4.43%,多特征LSTM模型的MAPE为2.55%,预测效果最好。鉴于获取关键词百度指数数据工作量大且存在一定难度,本文提出一种利用stacking集成方法的改进预测模型,得到改进的销量预测模型的MAPE较集成前的单一模型降低了41.3%和17.6%,实现了仅利用历史销量数据就能达到较好的新能源汽车销量预测效果。本文对新能源汽车进行实例研究,构建的多特征LSTM预测模型和改进的预测模型能够对国内新能源汽车销量进行有效预测,研究结果可以为政府准确把握新能源汽车行业发展状况、制定政策等提供数据支持。