一般来说，这类问题称为回归问题，因为目标变量（即旅行时间）可以取连续域中的任何值。理论上，您可以使用任何回归算法（一种子集监督学习技术）来解决这个问题。一些最流行的是线性回归、K-最近邻（回归）和神经网络。

正如您已经观察到的，不同的算法会导致（有时显着）不同的结果。此外，参数配置（例如，神经网络中隐藏层的数量）可能会产生很大的不同。有时，集成不同的模型可能会有所帮助，但总的来说，您应该尽量避免过度拟合（当您的模型比您的数据更复杂时，它会记住训练集而不是学习它！）。这可能会导致您在训练集上的表现非常好，但在教授的测试集上表现却很差。

我会做的是：

• 探索数据集以查看影响旅行时间的因素（列之间的任何相关性）。
• 清理和预处理我的数据集（重复、空值、异常值）
• 如果需要，重塑我的数据集（规范化某些列，合并或拆分列）
• 将我的数据集划分为训练和评估子集（所以我在一个部分进行训练并在另一部分进行测试以避免过度拟合）
• 选择一个简单的基线，应用和测量准确度指标。
• 尝试微调我的基线参数或尝试其他更高级的技术。
• 比较结果并在必要时改进管道的任何部分（更多/更少清洁、参数调整、集成）。