Keras 协议

人工智能，用于决策和预测价格 🤖

利用人工智能预测价格：

• 每平方米的最低价格

• 每晚租金的最高价值

• 最高的入住率

通过我们的回归模型，我们旨在收集市场数据，以便做出关于短租项目最佳地点的决策。

我们将考虑以下因素：

• 最低的土地成本和最大的建筑面积

• 每平方米的最低价格

• 每年租出的晚数

• 每晚的价格

• 每月的入住率

• 每年的入住率

• 每年的平均旅游率

• 以旅游为目的的年度州级入住率

每晚价格优化架构

基于评分的入住率架构

我们最初计划使用两个独立的模型分别预测挂牌价格和需求。其中一个模型使用了 k-Means 聚类算法，将所有距离 3 英里范围内的 Airbnb 房源分组，以找到附近相似的房源群组，并通过计算这些群组的平均入住率来估计每组的月度预期需求。

另一个模型是独立于 k-Means 的回归模型，用于根据房源的属性（例如最优设施、便利性、安全性等）预测房源的每日价格。最后，我们通过将每月的平均每日挂牌价格乘以预测的月度需求（即预测的房源每月被预订的天数），估算出预期的月度收入。

然而，在多次尝试改进此模型的准确性后，我们发现单独预测需求和挂牌价格并不合理，主要原因是这两个变量高度相关。例如，当挂牌价格增加时，需求可能会下降，因为客户可能会更倾向于选择价格更低但特征相似的房源。

因此，我们决定首先对需求进行建模，然后将其整合到我们的定价函数中。这意味着我们需要构建一个需求函数，该函数能够捕捉竞争因素、房源特征以及时间波动的影响。

我们使用与最初计划用于月度需求估算的相同方法来建模竞争因素。 客户通常会根据特定的地理位置选择他们的 Airbnb，因此所有位于非常接近的位置（半径 3 英里以内）的房源更有可能彼此竞争。除此之外，房源的特征和质量在决定入住率方面应该具有几乎同等的影响，有时甚至更大，尤其是在竞争房源之间。

基于这些原则，我们选择使用 k-Means 聚类算法，将距离半径 3 英里范围内的相似房源进行分组（见图 2 和图 3）。

构建“竞争群体”的需求函数

对于每个群体，我们有一个数据集，其中变量 X 是挂牌价格，变量 Y 是由入住率代表的需求。 基于此，我们将在这个数据集上拟合一个线性或多项式回归模型，以找到最适合的需求函数。随后，我们将这个需求函数纳入优化模型中。

目标是最大化一年的收益，因此每天的收益公式为当天的挂牌价格乘以当天的需求函数，表示为： 收益 = 挂牌价格 × 需求函数。

需要注意的是，在分析的这一阶段，数据集中的需求是以入住率表示的，它代表某一天房源被预订的概率。

关于如何计算年度最优收益的详细信息，我们将在后续的决策模型中进一步说明。

经过多次尝试后，我们发现需求和价格之间的关系并不总是呈线性或简单的反比关系，尤其是异常值在我们的模型中并不适配。这意味着一些极其昂贵的房源似乎遵循与其他房源不同的需求规律。这是合理的，但在我们当前的有限模型中未被考虑进来。

我们拥有5年基于决策制定的短租业务数据建模经验。 在这里，您可以访问我们Jupyter笔记本的第1版。