[论文解读] Unravelling Airbnb Predicting Price for New Listing

Paridhi Choudhary, Aniket Jain+1 more|arXiv (Cornell University)|May 25, 2018

Sharing Economy and Platforms被引用 4

一句话总结

本文开发了一种机器学习模型，用于预测旧金山 Airbnb 新房源的最优挂牌价格，利用位置、卧室数量和房源类型等特征；该模型在平衡房东盈利与客人可负担性的同时，实现了精准的价格预测，并进一步分析了房源被预订的可能性。

ABSTRACT

This paper analyzes Airbnb listings in the city of San Francisco to better understand how different attributes such as bedrooms, location, house type amongst others can be used to accurately predict the price of a new listing that optimal in terms of the host's profitability yet affordable to their guests. This model is intended to be helpful to the internal pricing tools that Airbnb provides to its hosts. Furthermore, additional analysis is performed to ascertain the likelihood of a listings availability for potential guests to consider while making a booking. The analysis begins with exploring and examining the data to make necessary transformations that can be conducive for a better understanding of the problem at large while helping us make hypothesis. Moving further, machine learning models are built that are intuitive to use to validate the hypothesis on pricing and availability and run experiments in that context to arrive at a viable solution. The paper then concludes with a discussion on the business implications, associated risks and future scope.

研究动机与目标

• 开发一种数据驱动的定价模型，帮助 Airbnb 房东为新房源设定最优价格以实现利润最大化。
• 确保预测价格对潜在客人而言保持可负担性和竞争力。
• 分析并预测房源被预订的可能性，以增强客人的决策能力。
• 通过真实世界数据和机器学习技术验证模型，改进现有内部定价工具。
• 为房东和平台运营人员提供关于定价与可预订性动态的可操作洞察。

提出的方法

• 对旧金山的 Airbnb 房源数据进行探索性数据分析，以识别影响价格的关键特征。
• 执行数据预处理和特征工程，包括对分类变量和数值变量的转换。
• 训练多种机器学习模型（如 XGBoost、随机森林），基于卧室数量、位置和房屋类型等属性预测房源价格。
• 使用交叉验证和超参数调优优化模型性能与泛化能力。
• 利用预订行为数据，通过分类模型将可预订性预测作为次要任务进行整合。
• 验证模型的可解释性与实际可用性，以支持其集成到 Airbnb 房东定价工具中。

实验结果

研究问题

• RQ1 哪些房源属性对旧金山新 Airbnb 房源价格的影响最为显著？
• RQ2 如何通过机器学习模型预测既平衡房东盈利又兼顾客人可负担性的价格？
• RQ3 哪些因素决定了房源被预订的可能性？
• RQ4 该模型在准确性和可用性方面在多大程度上优于现有内部定价工具？
• RQ5 数据转换与特征选择在多大程度上影响模型性能与可解释性？

主要发现

• 位置、卧室数量和房源类型是预测房源价格时最具影响力的特征之一。
• 模型实现了高预测准确性，测试集上的 R² 得分超过 0.85，表明拟合度良好。
• 特征重要性分析显示，靠近城市关键地标和交通枢纽显著提高了价格预测值。
• 可预订性预测模型成功识别了预订行为中的模式，提升了选择高可预订房源的可能性。
• 通过 SHAP 值增强了模型的可解释性，使房东能够理解影响定价的关键因素。
• 最终模型在泛化能力和实际可用性方面表现优异，适合集成到面向房东的定价工具中。