🤖 IИспользование искусственного интеллекта для принятия решений и прогнозирования цены 🤖

ИИ для прогнозирования цен, наименьшей стоимости за квадратный метр, наибольшей стоимости за сданную в аренду ночь и наивысшей загрузки.

С нашей моделью регрессии мы стремимся использовать данные рынка, чтобы принимать решения о лучшем месте для реализации проекта краткосрочной аренды. Мы будем принимать во внимание:

• Наименьшую стоимость земли и наибольшую площадь застройки

• Наименьшую стоимость за кв. метр

• Количество ночей сдачи в аренду в год

• Цену за каждую ночь

• Ежемесячный коэффициент загрузки

• Годовой коэффициент загрузки

• Средний годовой туристический поток

• Годовой коэффициент загрузки туристическими целями на уровне штата

Архитектура оптимизации цены за ночь.

Архитектура коэффициента загрузки, основанного на оценках

Изначально мы планировали иметь две отдельные модели для прогнозирования цены предложения и спроса. Одна из этих моделей использовала k-Means для кластеризации всех объявлений Airbnb в радиусе 3 миль, чтобы найти группы похожих близлежащих объектов, и брала средний коэффициент загрузки для оценки ожидаемого ежемесячного спроса в каждой группе.

Затем у нас была другая независимая регрессионная модель для прогнозирования ежедневной цены объявлений на основе их характеристик, сравнивая лучшие удобства (комфорт, безопасность и т.д.). И наконец, мы оценивали ожидаемый ежемесячный доход, беря среднюю ежедневную цену объявления для каждого месяца и умножая ее на прогнозируемый ежемесячный спрос (прогнозируемое количество дней бронирования недвижимости в месяц).

Однако после многих попыток улучшить точность этой модели, мы обнаружили, что неразумно прогнозировать спрос и цену предложения по отдельности, в основном потому, что эти две величины очень сильно коррелируют.

Например, спрос, вероятно, снизится, если цена предложения вырастет, поскольку можно ожидать, что клиенты будут принимать разумные решения и перенесут бронирование на более дешёвую недвижимость с похожими характеристиками.

Поэтому мы решили сначала смоделировать спрос, а затем включить его в нашу ценовую функцию. Это означало, что нам нужно было построить функцию спроса, которая учитывала бы конкурентные факторы, характеристики объявления и временные колебания.

Мы смоделировали конкурентный фактор, используя тот же подход, который изначально планировали применить для оценки ежемесячного спроса.

Клиенты, как правило, выбирают Airbnb в конкретном местоположении, поэтому все объявления, расположенные очень близко (в радиусе 3 миль) с большей вероятностью будут конкурировать друг с другом. За пределами этого радиуса характеристики и качество объявления должны оказывать практически равное, а иногда и большее влияние на определение коэффициентов загрузки по сравнению с конкурирующими объектами. Исходя из этих соображений, мы выбрали использование k-средних для кластеризации схожих объектов в радиусе 3 миль (рисунки 2 и 3).

Формулирование функции спроса для "конкурентной" группы

Для каждой группы у нас есть набор данных, где X - цена предложения, а Y - спрос, представленный коэффициентом загрузки.

Исходя из этого, мы подгоним линейную или полиномиальную модель регрессии для этого набора данных, чтобы найти наилучшую приспособленную функцию спроса. Затем мы подставим эту функцию спроса в оптимизационную модель.

Цель - максимизировать доход за год, поэтому формула для расчета дохода за день - это цена предложения в этот день, умноженная на функцию спроса в этот день, обозначаемую как D(p).

Стоит отметить, что на данном этапе анализа спрос в нашем наборе данных - это коэффициент загрузки, который представляет вероятность того, что недвижимость будет забронирована в определенный день.

Подробности расчета оптимального годового дохода мы упомянем в модели принятия решений далее.

После нескольких попыток мы определили, что связь между спросом и ценой не всегда прямо пропорциональна простым линейным образом; в частности, выбросы не укладываются в нашу модель, что означает, что для чрезвычайно дорогих объявлений действуют другие правила спроса, которые их регулируют, что вполне обоснованно, но не учитывается в нашей ограниченной модели.

У нас есть 5-летний опыт моделирования данных для бизнеса краткосрочной аренды, основанный на принятии решений.

Здесь вы можете получить доступ к версии 1 нашей джупитерной книги.

297KB

Preprocess_and_Modeling.ipynb