基于Stacking集成学习的车货匹配模型研究与实证分析

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：车货匹配是提高车主和货主信息流通和促进货运交易的关键途径,然而,在实际应用当中,车货匹配需要考虑司机和货主的行为习惯,并且需要根据不平衡数据进行预测.为解决此问题,本文考虑数据不平衡性,结合RUS重抽样方法,整合Logistic Regression、朴素贝叶斯以及LightGBM模型,最终得到Stacking集成学习的车货匹配模型RLBL-Stacking.以运满满数据为例,对数据进行预处理,筛选合适特征进行模型训练.结果表明,相较于其他单一的分类模型,集成算法能在不平衡数据中取得更好的预测结果.

外文标题：Research and Empirical Analysis of Vehicle Cargo Matching Model Based on Stacking Ensemble Learning

作者：

梁紫堃

展开 >

作者单位：

华南理工大学电子商务系,广州 510006

关键词：

车货匹配不平衡数据集成学习 Stacking算法

出版年：

2022

DOI：

10.3969/j.issn.1007-1423.2022.12.008