随着互联网技术的快速发展和大数据时代的到来,企业得利于网络和科技的发展,获得和收集了大量用户的数据和信息。然而企业面对海量用户数据,无法有效筛选出有价值的用户信息,呈现数据使用率低、数据资产转化率低的情况。自2019年政府工作报告提出加大ETC推广力度以来,各大银行以及新兴互联网金融公司纷纷加入抢占ETC用户的竞争中。由于ETC产品的同质化,需结合营销策略以及产品服务组合的方式形成差异化竞争力。此外,在企业内部缺乏对ETC这一新兴业务的认知和经验积累不足,对市场的反应较慢。企业迫切的需要实现对用户数据的挖掘,达到精准推广,提升用户的管理效率的目的。本文就上述问题,针对ETC潜在用户挖掘问题进行了深入探讨和研究,主要包括以下四方面内容:本文选择2019年国内某人工智能建模大赛中的ETC潜在用户挖掘数据集作为研究对象。首先对数据集进行清洗、编码,随后通过对比实验,确定了非平衡数据的处理方法,使数据集中正负样本比例趋于平衡,并生成处理后的训练数据集。此外,提出对ID特征处理方式,并进行验证,通过实验证明该方法在去除了样本重复的同时保留了样本数量这一特征,提升了模型的效率和准确性。随后利用AUC为主要评价依据,辅以F1、Precision、Recall指标对6种单一模型（LOGISTIC回归、Random Forest、XGBoost、Light GBM、深度神经网络、CNN）效果进行评价。最后,本文根据集成学习的思想,提出使用Stacking方法,对单一模型进行异构集成,形成基于多模型集成学习的ETC用户画像组合模型。通过与单一模型及其他多模型集成方法进行比对,基于多模型集成学习的ETC用户画像组合模型相较于本文使用的其它模型,具有更高的AUC值,验证了模型的有效性以及性能。