随着大数据和人工智能算法的广泛应用,一些汽车企业进行销量预测,为企业发展提供重要决策依据。在学习其他学者的研究成果基础上,本文提出了一种基于数据挖掘技术的集成树模型增强算法的车辆销量预测模型,旨在提高车辆销量的预测准确率。俗话说“工欲善其事,必先利其器”,机器学习模型的准确率是变化的,但是我们的训练数据里所隐藏的信息却是不变的,变化的只是挖掘数据深层次信息的能力。因此本文的第一个重点是特征工程的处理,训练数据为乘用车的销量相关数据,首先对初始数据进行了一个初步的探索,从年份、月份、省份、车型、车身类型几个方面探索了乘用车销量情况,观察其周期性、强相关、异常点等特征,判断销量的大致变化趋势。接着是数据处理与特征构造,在这一部分,本文首先根据实验数据和模型特性采用label-encoding来对数据进行编码;然后在特征构造部分,本文从节假日月份特征、历史销量特征、趋势特征、销量历史的统计特征四个方面来构造模型的输入特征,在此阶段共构造了70个特征;但由于特征的贡献率不同,为了提高模型预测准确率及效率,因此我们在建模之后采用了树模型特征重要性这一指标来对初始特征进行筛选,最后选择了64个特征作为本文模型的输入特征。在数据挖掘算法建模部分,本文主要使用了随机森林算法和LightGBM算法,接着对这两个算法进行比较分析。本文分析了算法各自的原理及特点,通过销量预测实验从预测准确率方面提升算法模型的性能。因此本文提出了基于集成树模型增强算法的乘用车销量预测方案,该方案包括两个部分:基于增强算法的单模型乘用车销量预测和基于增强算法的RF-LightGBM模型融合乘用车销量预测。本文建模策略的完整流程有两次模型增强过程,首先是单模型的增强策略,我们分别选择随机森林、LightGBM模型作为基准模型进行五次建模实验,并且每次的数据集是根据原始数据重新划分采样,最后将所有的预测结果综合得出最终预测值。接着RF-LightGBM模型通过将随机森林的增强模型预测值作为新的特征加入到LightGBM的特征子集中进行模型融合的增强预测从而提升最终的模型预测准确率。从单模型到两个模型的增强预测,优化好每一级的建模环节,带来优秀的整体建模效果。实验结果表明,在单模型增强算法实验中,LightGBM模型的预测准确率最高。在进行模型组合预测之后,我们模型的预测准确率得到了很大的提高,RF-LightGBM增强模型预测结果明显优于LightGBM增强模型的预测结果,这说明我们提出的基于集成树模型增强算法的车辆销量预测方案从预测准确率方面有效地提升了算法的性能。