近年来,随着我国经济的发展,群众的生活水平得到了明显提高,我国国民对汽车的需求也是愈来愈大。随着我国汽车保有量的快速增长、国民消费观念的逐渐转变以及互联网的发展,二手车市场得到了迅速的发展。虽然二手车市场的规模不断扩大,但同时也暴露出许多问题特别是缺乏一套科学规范的二手车价格评估体系,这会导致一系列社会问题从而阻碍我国二手车市场健康稳定的发展。建立科学合理的二手车价格评估体系能够减少由于价格、质量等问题引起的社会纠纷,这对我国的二手车市场的蓬勃发展具有重要意义。本文首先梳理了二手车价格研究以及集成学习方法的相关文献,确定了本文的研究思路及理论方法。采用爬虫技术对数据进行搜集,之后对数据进行预处理以及数据特征转换并构造4个新特征。经过数据处理与特征构造后共有85211条数据和34个变量,接着对数据进行探索性分析。本文使用决策树、随机森林、GBDT、XGBoost和LightGBM这5个机器学习方法分别建立二手车价格预测模型。经过参数调优后,在全体数据集上LightGBM模型的综合效果最好,其运行时长为3.9秒,均方误差为1.66。考虑到该均方误差对于价格较低的二手车误差较大,尝试使用一种方法进行改进:先将原始数据集根据新车含税价分为经济型汽车和中高端汽车,之后再分别建立模型进行预测。为了知道使用该方法后模型的效果是否提升,需要与原始方法进行对比。将原始方法中的测试集部分划分为两部分,划分的标准与以上方法相同,并使用训练集得到的模型对这两个部分进行预测并评估。从预测结果发现改进的方法效果更好,因此在实际应用过程中,可以将二手车数据集根据新车含税价划分为两个子数据集,并分别进行训练与测试,达到“分而治之”的效果。在经济型汽车中,LightGBM效果最好,其均方误差为0.41;在中高端汽车中XGBoost效果最好,其均方误差为4.353。本文为了探究哪些特征对二手车价格的影响最大,通过模型输出特征的重要性参数。在经济型汽车中,最为重要的是新车含税价、上牌时长与品牌;在中高端汽车中,最为重要的是上牌时长、新车含税价和最大马力。本文建立的二手车价格预测模型,使用了较为完善的变量,模型预测效果较好。因此本文建立的模型具有实用价值,能够推动二手车价格评估体系的建立。