P2P汽车共享服务逐渐受到大众追捧，同时也吸引了来自学术界和企业界的关注。由于没有官方的定价标准，因此汽车共享服务中最重要的问题之一是预测汽车租赁价格。价格预测模型可以作为中间的定价模型，来避免过多的讨价还价过程。由于P2P的去中心化特点，预测出价格区间更为合适。
　　解决价格区间预测问题的传统方法是通过分类算法解决回归问题，但它的三个弊端限制了此方法直接应用于 P2P 共享汽车服务的价格预测，分别是离群值影响了 K均值聚类结果的分布；区间的数量越多预测性能将会越差；深度森林忽略了不同错误分类情况的区别。为解决这些问题，本文做了如下研究：
　　1）我们分析了离群值对K均值聚类的影响，根据K均值的均匀作用和孤立森林的启发，改进了K均值离散化方法。改进的K均值算法降低了离群值对K均值聚类的影响，这使得离散化所产生的区间宽度更加一致。
　　2）对比传统算法和深度森林算法，我们发现深度森林的自适应深度可以使越差的分类性能获得更高的提升，这有助于缓解区间数量越多时分类性能越差的问题。这主要是因为，深度森林的自适应深度使得集成学习获得了足够的多样性，从而改进了集成学习的性能。这为深度森林开辟了新的应用领域；由于深度森林的基分类器可以是任意分类器，也使得深度森林的这一特点也为集成学习提供了借鉴。
　　3）我们将代价敏感学习引入到深度森林中，提出了代价敏感深度森林算法。相较于传统深度森林，代价敏感深度森林可以在相同准确度下，获得更低的代价，也就是说，其错误分类的区间更加接近真实区间。代价敏感深度森林不仅可以利用于通过分类算法解决回归问题中，它还可以根据不同的代价矩阵，来解决不同的代价敏感问题。
　　同时，整个模型也可以很容易地应用在其他领域的价格预测问题中。