基于机器学习模型的二手车价格预测研究

基于机器学习模型的二手车价格预测研究

摘要

随着中国汽车保有量的持续增长和二手车交易市场的日益活跃，建立科学、准确的二手车价格评估模型成为汽车行业和消费者共同关注的重要课题。传统的人工评估方法依赖经验判断，存在主观性强、标准不一等局限，难以适应海量、多变的二手车交易场景。本文基于Kaggle公开的二手车数据集，系统研究了机器学习在二手车价格预测中的应用。研究首先分析了影响二手车价格的各类特征，包括品牌、车龄、里程、燃油类型、变速箱等；随后构建了线性回归、决策树、随机森林、XGBoost和LightGBM五种回归模型，并设计了完整的数据预处理与特征工程流程；通过均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）三个指标对模型性能进行综合评估。实验结果表明，集成学习模型显著优于传统线性模型，其中LightGBM取得了最佳的预测精度，R²达到0.947。此外，本文通过特征重要性分析揭示了车龄和里程是影响二手车价格的核心因素。研究为二手车交易平台的定价系统开发提供了可复现的技术方案和理论依据。

关键词：二手车价格预测；机器学习；XGBoost；LightGBM；特征工程；回归分析

一、引言

1.1 研究背景

近年来，中国二手车市场呈现出持续快速增长的态势。2025年全年，中国二手车累计交易量达到2011万台，同比增长2.5%，交易额达12898亿元，首次站上2000万辆新台阶。进入2026年，市场继续保持增长势头，1月份全国二手车交易量173万台，同比增长18%，交易金额1106亿元，同比增长14