随着互联网技术的快速发展和网络基础设施的不断完善,我国已有超过7.8亿的人选择在网上购物,大量的用户购买行为产生了海量的数据,电商平台如何利用这些数据,借由机器学习技术对客户未来的购买行为做出预测,已经成为当下的研究热点。购买金额预测是指对客户未来一段时间购买的订单总金额进行预测,企业可以通过购买预测来实现调整备货策略、制定业务人员的销售目标、制定下一个周期的经营预算等目的。为了实现用户的购买金额预测,本文以在线批发电商的消费数据为切入点,对数据进行深入分析挖掘和建模,通过建立不同的模型,预测客户未来一个月的购买金额,具体的工作包括:（1）数据探索与特征筛选:首先对本文要解决的问题进行分析,梳理了可能对用户购买行为造成影响的相关因子,并通过数据可视化,对目标量进行探索分析。然后对数据进行预处理,并根据数据分析结果和业务经验进行特征重构,共构建了三个特征群,分别为时序特征群、业务特征群和属性特征群。最后为了减少冗余特征,提升模型训练效率和精度,在外部评估器上对比多种特征筛选方法的效果,实验结果表明,基于SHAP（SHapley Additive ex Planation）的特征筛选法效果最好。（2）预测模型设计:首先针对传统Stacking算法中,K折交叉验证时采用平均值形成测试集的环节进行优化改进,并为元学习器增加了基于SHAP值筛选的原始训练集的强特征,以提升模型的预测能力与鲁棒性。然后选择了四种异质（即不同原理）单一模型作为Stacking模型的基学习器,分别基于传统的Stacking算法和改进后的Stacking算法构建购买金额预测模型。（3）单一模型预测:分别构建了基于随机森林、Light GBM、LSTM和Tab Net等模型对客户购买金额进行预测,并在模型训练阶段引入贝叶斯优化算法（Bayesian Optimization）对模型的超参数进行调优。实验结果表明各个单模型的预测精度较好,但对于不同大小的目标量预测表现不一。（4）异质融合模型预测:首先将四个经过超参数调优且性能较好的单一模型作为基模型,将XGBoost作为元模型,通过Stacking模型融合方法进行融合。实验结果表明,改进后的Stacking模型预测效果最好;接着通过数据可视化的方式分析各个模型的拟合效果;最后通过一个消融实验来研究模型设计的合理性。