基于LRF方法的在线短租房源价格特征选择研究

为解决单一特征选择方法的局限性问题,提出Lasso-RF(LRF)混合特征选择方法,并应用于在线短租房源价格问题研究。基于Airbnb房源数据,实验首先通过Lasso回归进行特征选择,处理特征之间的多重共线性;然后采用随机森林算法精选剩余特征,最终得到35个重要特征,并带入4个预测模型中进行比较。结果表明,特征之间的多重共线性会影响随机森林算法对特征重要度的度量;LRF-RF预测模型与RF-RF预测模型相比,评价指标R2和MSE分别提高了0.005、0.006,同时运行时间缩短0.267秒,表明LRF混合特征选择方法优于单一的RF特征选择方法。

基于特征价格模型的共享住宿平台房源价格影响因素研究

租赁业的长期成功是由其定价决定的,作为短期住房租赁的一种,共享住宿平台如何合理设定房源价格显得尤为重要。本文在特征价格模型的基础上,通过对蚂蚁短租平台31个城市房源数据的OLS和分位数回归,研究了8大类共18个特征变量对共享住宿平台房源价格的影响。结果表明:绝大多数特征变量会对房源价格产生显著性影响,但影响程度在不同价位水平的房源中存在差异。之后分别对总样本中的一线和二线城市房源数据进行OLS和分位数回归,结果表明:不同经济发展水平的城市类型中房源价格的影响因素存在差异。据此,在识别影响共享住宿平台房源价格的关键特征变量的基础上,平台应加强对房东专业技能的培训,建立一套科学合理的定价指导系统;房东也要通过增强服务意识、完善配套设施、逐渐向机构性经营倾斜等方式,不断提升房源的软实力和管理房源的专业度。

共享住宿价格的多尺度空间特征及影响因素——以苏南地区为例

以江苏省苏南地区为案例地,获取Airbnb网站房源数据,运用泰尔指数、DBSCAN聚类算法等分析方法,从多尺度视角对共享住宿价格的空间分异进行探讨,采用OLS回归模型和分位数回归模型从房源内部和房源外部相结合的角度对比分析共享住宿价格的影响因素。结果表明(:1)从苏南整体和各地市来看,共享住宿房源价格在城市内部和区县内部的差异较为明显,在城市之间和区县之间的差异较小(;2)不同价格水平共享住宿的空间聚类中心存在显著差异,高、中、低档次共享住宿对于水域的依赖逐渐降低,整体上,空间聚类中心呈现“东多西少,南多北少”分布(;3)共享住宿房源价格是内部属性和外部属性共同耦合驱动作用的结果,对比来看,房源价格受到内部属性如房源卫生间个数等指标的影响较大,受到外部属性的影响较小,同时不同影响因素对于同等价格水平共享住宿房源的作用方向和影响程度存在明显差异性和分层性。