传统的车货匹配市场,信息不对称、价格不透明,缺乏诚信等问题频发,从而使得货运市场中间商占据着价格的控制权。随着行业形势的变化,滴滴打车的模式让车货匹配平台意识到通过互联网可以将车主与货主快速匹配,从而改善信息不对称等问题。因此运用有效的方法能够提高车货匹配的成功率,帮助企业提高推送效率,合理配置资源,改善供需不平衡的问题。本论文首先对国内外公路货运匹配的研究现状进行分析和总结,然后由于Stacking相较于其他集成学习算法,通过对某些具体问题已经具有良好表现的模型进行融合,集成各种模型的差异性使得最终生成的模型拥有更高的预测精度,因此选择了基于Stacking融合模型方法进行车货匹配的预测。根据本论文的实验背景是不平衡数据的二分类问题,选择支持向量机、随机森林、GBDT和XGBoost作为Stacking模型融合的基学习器,并重点介绍了这些模型的技术原理。在车货匹配的背景下,通过实地调查以及定性分析的方法,综合各个维度,确定了在预测建模中使用的车货匹配影响因素。并且通过P平台提供的数据,基于实际的业务场景,对相关特征进行了分析和选择,筛选出了最优特征子集并且构造出了一些高度相关的特征,例如路径相似度等。本论文依照以上五种模型以P平台的车货匹配作为实例进行了建模预测,通过对比发现,相较于单一的模型,Stacking融合模型表现良好,其中Stacking在面对不平衡样本方面表现更优秀。本论文提出集成学习方法可为其他网络货运平台的车货匹配预测研究提供参考与借鉴价值。最后以P平台为例,基于数据分析的用户特征,对网络货运平台的发展提出了建议。