Comparison and Optimization Strategies of Airbnb Rental Prediction Models: An Empirical Study Based on Linear Regression, XGBoost and Random Forest
Notice bibliographique
Résumé
As a leading short-term rental platform in the sharing economy, Airbnb employs dynamic pricing based on multiple factors, posing challenges for accurate rental price prediction. This study aims to improve rental price prediction by comparing and optimizing three machine learning models—linear regression, random forest, and XGBoost—using Airbnb listing data. We develop a multi-model prediction framework that exploits each model’s strengths: linear regression provides interpretability of key features, random forest captures nonlinear interactions, and XGBoost applies gradient-boosting techniques to minimize error. Using standard regression metrics (e.g., RMSE, MAPE) for evaluation, we find that XGBoost delivers the highest predictive accuracy (≈8% error), outperforming the random forest and linear regression models. The results indicate that XGBoost’s enhanced ability to model complex market dynamics yields more reliable price estimates, whereas the baseline linear model and random forest show higher errors and signs of overfitting. In conclusion, our comparative analysis offers practical insights for stakeholders: hosts can leverage the improved model for optimal pricing strategies to maximize revenue and occupancy rates, the Airbnb platform can refine its smart pricing tool for greater market efficiency, and overall data-driven pricing strategies benefit the sharing economy by aligning stakeholder interests.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».