为检查飞机运营商所报告油耗数据的合理性,当前第三方核查机构普遍基于点估计的方法。此方法将航程对应的油耗估计值作为门槛值,但实际上在一定区间内大于或小于估计值的油耗数据都是合理的,因此采用区间估计给出合理的估计范围是更为可靠的方法。同时在估计油耗数据区间时,数据的不平衡性会导致一般的区间估计方法得到的估计区间质量较低。针对上述问题,本文首先提出了基于XGBoost的区间估计模型,然后基于该模型分别从数据层面和算法层面出发,基于SMOTE算法和代价敏感学习的方法提出了提升不平衡数据区间估计区间质量的方法。首先,提出了基于XGBoost算法的区间估计模型。将XGBoost算法作为主要的机器学习方法,针对区间估计任务采用分位数损失作为XGBoost算法的损失函数。其中对XGBoost算法的分位数损失函数进行改进,平滑其一阶导数原点周围的小区域,解决了分位数损失函数导致XGBoost算法中的树不分裂的问题;通过训练区间估计模型,得到估计区间的上下界。最后,将此方法与其他常用的区间估计方法进行对比实验,验证其有效性。其次,从数据层面提升不平衡油耗数据估计区间的质量。在基于XGBoost的区间估计模型的基础上,提出了基于SMOTE-XGBoost的区间估计模型。通过SMOTE算法合成新的油耗样本,增加油耗数据集中少数类样本的数量,使训练集中少数类样本与多数类样本数量相同,平衡油耗数据集;然后以此训练集来训练XGBoost算法的区间估计模型,最终得到估计区间的上下界。实验结果表明该方法能够有效提高估计区间的质量。然后,从算法层面提升不平衡油耗数据估计区间的质量。在基于XGBoost的区间估计模型的基础上,提出了代价敏感的XGBoost区间估计模型。该模型使得不同航程的油耗样本对目标函数产生不同的影响,即不同的代价信息。由于传统的误分类代价不适用于区间估计,本文设计了基于误估计代价的代价敏感函数,进行两次训练,得到估计区间。最后,将本文提出的三种方法进行比较,结果表明从数据层面和算法层面解决油耗数据不平衡的问题均能够提升估计区间的质量,并且算法层面得到的区间质量更高。