多年来，预测方法的理论研究与实际应用吸引了国内外许多学者对其进行深入的研究。总体来讲，常规的预测方法可以分为定性和定量两种方向。其中，定性的预测方法有：德尔菲法、 经理意见法和销售人员意见法等。定量的预测方法包括：时间序列分析法、回归和相关分析法，还有以神经网络和支持向量机为代表的人工智能技术等。然而，汽车行业具有自身的特点，预测数学模型需要结合行业特点才能产生更好的效果。

目前，国内很多学者针对汽车配件领域的需求预测问题做了很多研究。采用加权Z小二乘法估计参数，基于时间序列相关的线性回归模型和灰色预测法分别对汽车配件进行预测。利用复合神经网络模型在汽车配件销售中建立复合HANNFM模型进行配件预测。采用基于时间序列支持向量回归的方法对专用汽车配件需求量进行预测。根据汽车配件寿命满足正太分布函数，通过改变分布密度函数的
参数以及经济批量生产的特点，提出了配件生产供应方案。与常规方法的对比显示其所采用的方法具有一定的you越性。指出汽车配件的需求在一定时间内满足泊松分布，在样本空间足够大的情况下，符合正态分布，结合故障率、安全库存、经济订购量则可以得到相应的数学模型。通过配件自身的需求规律，并结合配件自身的故障规律特点，对配件重新进行分类区分，然后加入配件故障率和配件的经验故障率等影响因子进行需求模型分析。

同时，国外的很多学者在汽车配件预测方面也有深入的研究。SeonblninMoon等人分析了韩国海军的配件特点，通过多重比较的到基于指数平滑法的组合预测模型能够获得较好的预测效果。ThomasR.Willemain使用时间序列预测配件需求，并利用概率积分变换预测结果，从而适应间歇性的配件需求。RalphD.Snyder等人使用改进的泊松分布模型，建立了间歇性配件需求预测模型，并用美
国某汽车制造厂配件管理数据进行验证，取得了良好的效果。间歇性需求预测以及库存控制的特点，得到了配件间歇性水平的高低与
预测服务水平的关系。设计季节性的支持向量机来预测具有季节性的时间序列数据，同样为季节性预测提供了参考。NikolaosKourentzes研究提出了一种神经网络(N-N)间歇时间序列预测方法。该方法对间歇性的配件需求和较稳定的需求能够很好的拟合，并提出库存指标以优化预测需求库存。