共享民宿的商业模式分析及房屋定价预测研究
项目介绍
正式科研：1v1线上定制辅导
项目收获：科研报告、导师推荐信
涉及领域
本课题涉及到 Python | 机器学习 | 数据分析 | 统计分析 | 数据建模 | 数据可视化 等方面的知识，适合申请 统计学 | 数据分析 | 数据科学 | 机器学习 | 商业分析 | 金融学 等相关专业的学生
适合人群
有意提高自身知识水平及学术能力的学生
有意掌握前沿科研热点及科研方法的学生
有留学意向、跨专业深造的学生
研究前沿性
Airbnb(www.airbnb.com)是一家新型酒店预定公司，它所经营的在线市场用于出租和租赁短期住宿。
自成立以来，Airbnb已在全球34，000个城市接待了超过6000万人，并且还在继续快速增长。Airbnb为那些原本空置空间的人们以及正在寻找负担得起且便利的住房选择的客人提供了便利的收入来源。对于任何服务，尝试监视和了解Airbnb市场的基本定价动态对于房东和宾客都非常重要。随着用户在供需两方面的持续增长，房主可能会发现很难为自己的房屋正确定价。
Airbnb已经意识到了这一点，并从供应方的角度进行了大量建议价的研究。目前而言，假期和季节性是可以吸引更多客户并推动更高价格的另一个有用组成部分，但目前尚不清楚每个假期应支付多少保费。有了更好的价格建议估计，Airbnb的房屋提供商可以达到平衡价格，从而优化利润和负担能力。
研究介绍
本课题将通过开发基于统计机器学习的商业分析模型为Airbnb的用户开发定价服务，该服务致力于根据列表的功能计算并推荐合理的房屋应标价格。
具体而言，本项目将试图通过分析大量房源，更好地了解如何使用房源属性(例如卧室，位置，评分等)来准确地预测主人和客人的优房源价格。
该项目的目的是建立一个模型，该模型在考虑列表特征和季节性的情况下预测房地产的好价格。最终目标是使用户能够了解Airbnb列表的哪些功能重要，以及价格应根据季节而波动。
课题要点
课题研究方法
文献阅读、企业调研、模型实现等
课题难点
表格数据结构的理解和处理的能力。需要掌握机器学习模型结构，python、sklearn、matplotlib等
1v1定制化辅导参考任务
任务一
掌握查阅文献和研究方法
掌握查阅文献和面向文献学习的方法;
掌握文献管理的方法;
通过查阅文献，学习该方向的研究热点和方向;
掌握快速提炼文献重要信息的方法。
任务二
调研Airbnb商业模型及核心数据特征
深入调研Airbnb商业模型，包括其公司盈利模式、利润点和核心竞争力;
调研房屋定价的相关数据特征，为最终的房屋定价模型搭建打下概念基础。
任务三
Python和机器学习
了解Python的编程语法和主流Python的开源函数库;
学习包括但不局限于多元线性回归、决策树、随机森林、Adaboost等模型的原理与应用;
实现能够在Python IDE中对模型的运行和调参;
学习数据可视化函数库，具体包括matplotlib及snsborns等;
学习模型运行函数库，如sklearns等。
任务四
学习数据预处理和数据特征工程典型方法
学习数据预处理常见的方法，包括缺失值处理、数据归一化、Labelencoder等;
学习数据特征工程常见方法，包括地理特征创建、时间特征提取、PCA等。
任务五
搭建基于机器学习方法的Airbnb房价定价模型
基于之前任务，搭建定价模型流程，具体包括运用数据预处理、数据可视化、数据特征工程、和机器学习模型等方法。
任务六
项目收尾
撰写整体报告;
准备一次20~30分钟的presentation。
(以上任务仅供参考，实际辅导根据定制化要求展开)
