🤖 人工智能,用于决策和预测价格 🤖

人工智能预测价格,每平方米价值较低,每租金夜价值较高,占有率较高。

通过我们的预测模型,我们试图收集市场数据,以便就短租项目的最佳地点做出决策。

我们将考虑:

最低的地价和最大的建筑面积

每平方米的最低价值

全年出租夜晚数量

每晚价格每月出租率

全年出租率

全年平均旅游率

州级旅游年出租率

夜间价格优化架构。

基于评分的出租率架构

起初,我们计划建立两个独立的模型来预测列表价格和需求。其中一个模型使用k-Means对3英里半径内的所有Airbnb列表进行分组,以找到相似的附近房产群,并采用每月平均出租率来估计每个群组内的预期每月需求。

然后,我们有另一个独立的k回归模型,根据列表的属性(如设施、便利性等的优劣)来预测每日列表价格。最后,我们通过将每个月的平均每日列表价格与预测的每月需求(一个房产在一个月内预计被预订的天数)相乘来估计预期的每月收入。

然而,在多次尝试提高此模型的准确性后,我们发现单独预测列表价格和需求是不合理的,主要是因为这两个量之间存在很强的相关性。

例如,如果列表价格上涨,需求可能会下降,因为客户可以明智地选择更换到一个类似但更便宜的房产。

因此,我们决定先建模需求,然后将其纳入我们的价格函数。这意味着我们需要构建一个需求函数,以捕捉竞争因素、列表特征和时间波动。

我们使用最初计划用于估计每月需求的相同方法来建模竞争因素。客户倾向于对Airbnb选择一个特定的位置,因此所有非常靠近(3英里半径内)的列表更有可能相互竞争。除此之外,列表的特征和质量应该对决定与竞争房源的出租率有几乎相等,偶尔更大的影响。基于这些规律,我们选择使用k-Means将3英里半径内相似的房产进行分组(图2和图3)。