基于集成学习的国内二手车价格预测分析_崔四帅.caj-2022-12-03-15-19-38-749.pdf

基于集成学习的二手车价格预测分析 摘 要 如今随着二手车市场涉及到各个行业，预测交易市场上二手车价格成为了当前研究 的热点。这里需要大量的探索分析和领域专家的知识，并需要收集大量的汽车属性，用 以进行可靠而准确的预测。因此，本文以实际的国内二手车数据为分析标的，研究如何 将集成学习应用于二手车数据中，建立符合实际应用的二手车价格评估模型。 本文首先从国外二手车市场发展历史引出国内市场发展的优缺点，并确定了论文的 主要研究思路。在参考当前主要的估值方法后，最后使用集成学习方法构造二手车估值 模型。模型的输入特征是二手车的相关属性：使用时长、车型、品牌、车身、燃油类型、 10 变速箱、发动机功率、行驶里数、是否损坏等，相关变量已进行脱敏处理，超过 万 辆汽车的信息已用于建模。所有模型均已用Python 脚本进行建模和评估。同时在研究 RandomForest XGBoost LightGBM Stacking 过程中考虑了以下集成学习模型： 、 、 ，并采用 、 Blending 和线性加权对以上三种模型进行融合。 其次本文介绍了每种模型在MAE 方面的最佳选择。建模结果表明，LightGBM 模 型在三个模型当中训练速度最快且预测精度最高，模型的MAE 为592.43 ，相比其他两 个模型误差缩小了3.5%和4.7% 。在此基础上，通过模型融合发现使用Stacking 和线性 加权后预测的结果更优，其融合后的MAE 分别为579.82 和579.28，相比LightGBM 误 差缩小了2.2%，显著高于单个模型的预测效果。 最后根据本文建立的预测模型，可以指导二手车商家、金融保险行业进行二手车价 格评估体系的建立，推动公平公正的二手车价格评估系统的优化，促进合理规范的二手 车交易市场制度的完善。 关键词： 集成学习；RandomForest；XGBoost；LightGBM；Stacking；Blending - I - 基于集成学习的二手车价格预测分析 Prediction and Analysis of Domestic Used Car Prices Based on Ensemble Learning Abstract Nowadays, as the used car market involves various industries, predicting the price of used car in the market has become a hot research topic, as it requires a lot of effort in analysis, also the knowledge of domain experts, and collecting a lot of different car attribute to make reliable and accurate predictions. Therefore, this dissertation regards actual domestic used car data as the obj ect of analysis, and studies how to apply ensemble learning to used car data to establish a used car price evaluation model that is in line with actual applications. This paper first draws out the advantages