DOI: https://doi.org/10.48084/etasr.16878
تاريخ النشر: 2026-04-04
المؤلف: Pathamakorn Netayawijit وآخرون
الموضوع الرئيسي: تنقيب البيانات وتطبيقات تعلم الآلة
نظرة عامة
هذا القسم من ورقة البحث يبرز أهمية التنبؤ الدقيق بأسعار المركبات المستعملة لمختلف أصحاب المصلحة، مع تسليط الضوء على تعقيد ديناميات التسعير المتأثرة بعوامل مثل حالة المركبة وتغيرات السوق. تقدم الدراسة إطار تقسيم البيانات المحسن (ODPF) لتقييم أداء ستة خوارزميات تنبؤية بشكل منهجي—الانحدار الخطي، شجرة القرار، الانحدار باستخدام دعم المتجهات (SVR)، الغابة العشوائية، XGBoost، وLightGBM—عبر أربعة نسب مختلفة من تقسيم التدريب والاختبار (50-50، 60-40، 70-30، و80-20) مع استخدام خط أنابيب معالجة مسبقة خالية من التسرب.
تكشف النتائج أن طرق التعلم الجماعي تتفوق باستمرار على الانحدار الخطي عبر جميع المقاييس، حيث حققت الغابة العشوائية أفضل أداء، مع مؤشر خطأ الجذر التربيعي (RMSE) يبلغ 274.26 ومعامل التحديد ($R^2$) يبلغ 0.9995. كما أظهرت XGBoost وLightGBM دقة عالية ($R^2 > 0.998$)، بينما أظهر SVR عمومية ضعيفة (RMSE = 1232.73؛ $R^2 = 0.0800$). تشير تحليل الاستقرار إلى أن نسبة التقسيم 80-20 هي الأكثر موثوقية، حيث تحقق تباين أداء أقل وثبات أكبر في العمومية. تختتم الدراسة بأن اختيار الخوارزمية يؤثر بشكل كبير على دقة التنبؤ، مما يوفر رؤى قيمة لتطوير نماذج تسعير فعالة في قطاع السيارات.
مقدمة
تسلط المقدمة الضوء على أهمية سوق المركبات المستعملة العالمي، الذي يشمل أكثر من 40 مليون معاملة سنويًا وتبلغ قيمته تريليون دولار. يتطلب هذا السوق نماذج دقيقة للتنبؤ بالأسعار يمكن أن تخدم مختلف أصحاب المصلحة، بما في ذلك المستهلكين، والتجار، والمؤسسات المالية، وصانعي السياسات. ومع ذلك، لا يزال تحدي التنبؤ الفعال بأسعار المركبات قائمًا.
تُلاحظ طرق التقييم التقليدية، مثل الانحدار الخطي، لفعاليتها الحاسوبية وقابليتها للتفسير. ومع ذلك، غالبًا ما تفشل هذه النماذج في التقاط الديناميات المعقدة وغير الخطية التي تؤثر على تسعير المركبات، والتي تتأثر بعوامل مثل سمعة العلامة التجارية، والميزات التكنولوجية، والطلب المتقلب، والتغيرات الجغرافية. وهذا يشير إلى الحاجة إلى أساليب أكثر تطورًا لتعزيز دقة توقعات أسعار المركبات.
طرق
يناقش القسم تطبيق طرق التعلم الجماعي في مهام الانحدار، مع تسليط الضوء على فعاليتها في تحسين الأداء التنبؤي والموثوقية من خلال دمج عدة متعلمين ضعفاء. تُبرز تقنيات مثل الغابة العشوائية، التي تستخدم تجميع البوتستراب لتقليل التباين، وطرق تعزيز التدرج مثل XGBoost وLightGBM، التي تصحح الأخطاء بشكل تكراري، لأدائها المتفوق في التعامل مع عدم الخطية والتفاعلات المعقدة مقارنة بطرق الانحدار التقليدية. بينما تُستخدم أشجار القرار عادة كمتعلمين أساسيين في هذه المجموعات، فإنها تعمل أيضًا بشكل فعال كنماذج مستقلة بسبب قابليتها للتفسير.
تحدد المنهجية المقترحة تصميمًا تجريبيًا صارمًا يهدف إلى منع تسرب البيانات أثناء المعالجة المسبقة. تُجرى جميع العمليات، بما في ذلك التحجيم، والترميز، والتعويض، بعد تقسيم التدريب والاختبار، مما يضمن أن يتم اشتقاق معلمات التحويل فقط من مجموعة التدريب. تشير النتائج التجريبية إلى أن تقسيم التدريب والاختبار بنسبة 80-20 هو الأمثل من حيث الاستقرار والعمومية في مجموعات بيانات تحليلات المبيعات، حيث تُظهر نماذج التعلم الجماعي أداءً متسقًا عبر نسب تقسيم مختلفة. بالمقارنة، تم تقييم طرق تقليدية مثل أشجار القرار والانحدار باستخدام دعم المتجهات (SVR)، مما يكشف أن أشجار القرار تفوقت على الانحدار الخطي مع مؤشر خطأ الجذر التربيعي (RMSE) يبلغ 644.43 وR² يبلغ 0.9970، بينما كان أداء SVR ضعيفًا (RMSE: 1232.73، R²: 0.0800)، مما يشير إلى احتمال عدم التوافق مع خصائص مجموعة البيانات أو الحاجة إلى ضبط معلمات فرعية شاملة.
نقاش
في قسم النقاش من ورقة البحث التي كتبها Netayawijit وآخرون، يستكشف المؤلفون فعالية طرق التعلم الآلي المتقدمة، وخاصة تقنيات التعلم الجماعي، في نمذجة الديناميات المعقدة لتسعير المركبات المستعملة مقارنة بأساليب الانحدار الخطي التقليدية. يبرزون أنه بينما أظهرت طرق التعلم الجماعي مثل الغابة العشوائية وXGBoost وLightGBM أداءً متفوقًا في سياقات مختلفة، فإن تطبيقها في تسعير المركبات المستعملة لا يزال غير مستكشف ومجزأ، حيث أسفرت الدراسات السابقة عن نتائج معزولة تحد من العمومية. يحدد المؤلفون ثلاث فجوات بحثية كبيرة: الحاجة إلى مقارنات محكومة بين أنواع النماذج، تأثير نسب تقسيم البيانات على الأداء، والتمييز بين التقدمات الخوارزمية وتحسينات العينة.
تؤكد الدراسة على التركيز المنهجي لتحقيقاتهم، بهدف تقييم كيفية أداء عائلات نماذج الانحدار المختلفة تحت ظروف تجريبية موحدة باستخدام مجموعة بيانات كبيرة ومتنوعة. من خلال عزل تأثيرات اختيار الخوارزمية وتقسيم البيانات، يهدف المؤلفون إلى إنشاء قاعدة مستقرة للبحوث المستقبلية التي قد تتضمن متغيرات محددة في المجال. كما يقدمون أدلة أولية على أنماط التسعير غير الخطية، مما يبرر استخدام طرق التعلم الجماعي لالتقاط التفاعلات المعقدة. تؤكد النتائج على أهمية التقييم المنهجي والمنهجيات المحكومة في تعزيز كل من الفهم النظري والتطبيقات العملية في أنظمة تسعير السيارات.
DOI: https://doi.org/10.48084/etasr.16878
Publication Date: 2026-04-04
Author(s): Pathamakorn Netayawijit et al.
Primary Topic: Data Mining and Machine Learning Applications
Overview
This section of the research paper emphasizes the importance of accurate used-vehicle price prediction for various stakeholders, highlighting the complexity of pricing dynamics influenced by factors such as vehicle condition and market variability. The study introduces an Optimized Data Partitioning Framework (ODPF) to systematically evaluate the performance of six predictive algorithms—Linear Regression, Decision Tree, Support Vector Regression (SVR), Random Forest, XGBoost, and LightGBM—across four different train-test split ratios (50-50, 60-40, 70-30, and 80-20) while employing a leakage-free preprocessing pipeline.
The findings reveal that ensemble learning methods consistently outperform Linear Regression across all metrics, with Random Forest achieving the best performance, indicated by a Root Mean Square Error (RMSE) of 274.26 and a coefficient of determination ($R^2$) of 0.9995. XGBoost and LightGBM also demonstrated high accuracy ($R^2 > 0.998$), while SVR exhibited poor generalization (RMSE = 1232.73; $R^2 = 0.0800$). Stability analysis suggests that the 80-20 split ratio is the most reliable, yielding lower performance variance and greater generalization consistency. The study concludes that the choice of algorithm significantly impacts predictive accuracy, offering valuable insights for developing effective pricing models in the automotive sector.
Introduction
The introduction highlights the significance of the global used vehicle market, which encompasses over 40 million transactions annually and is valued at a trillion dollars. This market necessitates accurate price prediction models that can serve various stakeholders, including consumers, dealers, financial institutions, and policymakers. However, the challenge of effectively predicting vehicle prices persists.
Traditional valuation methods, such as Linear Regression, are noted for their computational efficiency and interpretability. Nevertheless, these models often fall short in capturing the complex, non-linear dynamics that influence vehicle pricing, which are affected by factors such as brand reputation, technological features, fluctuating demand, and geographical variations. This indicates a need for more sophisticated approaches to enhance the accuracy of vehicle price predictions.
Methods
The section discusses the application of ensemble methods in regression tasks, highlighting their effectiveness in improving predictive performance and robustness by combining multiple weak learners. Techniques such as Random Forest, which utilizes bootstrap aggregation to reduce variance, and gradient boosting methods like XGBoost and LightGBM, which iteratively correct errors, are emphasized for their superior performance in handling nonlinearity and complex interactions compared to traditional regression methods. While decision trees are commonly used as base learners in these ensembles, they also function effectively as standalone models due to their interpretability.
The proposed methodology outlines a rigorous experimental design aimed at preventing data leakage during preprocessing. All operations, including scaling, encoding, and imputation, are conducted post train-test split, ensuring that transformation parameters are derived solely from the training set. The empirical results suggest that an 80-20 train-test split is optimal for stability and generalizability in sales analytics datasets, with ensemble models demonstrating consistent performance across various split ratios. In comparison, traditional methods like Decision Trees and Support Vector Regression (SVR) were evaluated, revealing that Decision Trees outperformed Linear Regression with a Root Mean Square Error (RMSE) of 644.43 and an R² of 0.9970, while SVR performed poorly (RMSE: 1232.73, R²: 0.0800), indicating potential misalignment with the dataset’s characteristics or a need for extensive hyperparameter tuning.
Discussion
In the discussion section of the research paper by Netayawijit et al., the authors explore the efficacy of advanced machine learning methods, particularly ensemble techniques, in modeling the complex pricing dynamics of used vehicles compared to traditional linear regression approaches. They highlight that while ensemble methods like Random Forest, XGBoost, and LightGBM have shown superior performance in various contexts, their application in used-vehicle pricing remains underexplored and fragmented, with prior studies yielding isolated findings that limit generalizability. The authors identify three significant research gaps: the need for controlled comparisons between model types, the impact of data split ratios on performance, and the distinction between algorithmic advancements and sampling optimizations.
The study emphasizes the methodological focus of their investigation, aiming to evaluate how different regression model families perform under standardized experimental conditions using a large, heterogeneous dataset. By isolating the effects of algorithm choice and data partitioning, the authors intend to establish a stable baseline for future research that may incorporate domain-specific variables. They also provide preliminary evidence of non-linear pricing patterns, justifying the use of ensemble methods to capture complex interactions. The findings underscore the importance of systematic evaluation and controlled methodologies in advancing both theoretical understanding and practical applications in automotive pricing systems.