La precisa predicción de la demanda de automóviles puede proporcionar una orientación efectiva para las empresas fabricantes de automóviles en términos de planificación de producción y planificación de suministros. Sin embargo, el volumen de ventas de automóviles se ve afectado por el volumen de ventas histórico y otros factores externos, y muestra una fuerte no estacionariedad, no linealidad, autocorrelación y otras características complejas. Es difícil predecir con precisión el volumen de ventas utilizando modelos tradicionales. Para resolver este problema, se propone un modelo de pronóstico que combina la extrapolación de tendencias y el análisis de causalidad, derivado de los predictores históricos del volumen de ventas y la influencia de factores externos. En el modelo de extrapolación de tendencias, se capturó la serie histórica de predictores de ventas basada en el Modelo Autorregresivo Integrado de Media Móvil Estacional (SARIMA) y la Regresión Polinómica (PR); luego, se introdujo la Descomposición en Modos Empíricos (EMD), un algoritmo de prueba de estacionariedad y un algoritmo de prueba de autocorrelación para reconstruir la secuencia de ventas en componentes estacionarios con fuerte estacionalidad y componentes de tendencia, lo que redujo las influencias de no estacionariedad y no linealidad en el modelado. En el submodelo de análisis de causalidad, se extrajeron datos de características de 31 dimensiones de factores influyentes, como la fecha, la macroeconomía y las actividades de promoción, y se utilizó un Árbol de Decisión de Impulso Gradiente (GBDT) para establecer la relación entre los factores influyentes y las ventas futuras debido a su excelente capacidad para ajustar relaciones no lineales. Finalmente, se probaron el rendimiento de pronóstico de tres estrategias de combinación, a saber, las estrategias de serie de impulso, paralela de apilamiento y paralela de promedio ponderado. Experimentos comparativos en tres grupos de datos de ventas mostraron que la estrategia de combinación paralela de promedio ponderado tuvo el mejor rendimiento, con reducciones de pérdidas del 16,81% y 4,68% para los datos de la marca número uno, 25,60% y 2,79% para los datos de la marca número dos, y 46,26% y 14,37% para los datos de la marca número tres en comparación con las otras estrategias de combinación. Otros estudios de ablación y experimentos comparativos con seis modelos básicos demostraron la efectividad y superioridad del modelo propuesto.