利用基于大语言模型的嵌入提升区域 Airbnb 趋势预测：结合可达性与人类移动性
人工智能
2025-11-19 v1
摘要
短期租赁平台（如 Airbnb）的扩张显著扰动了当地住房市场，常导致租金上涨和住房可负担性问题。准确预测区域 Airbnb 市场趋势因此为制定政策和城市规划提供关键见解，以缓解这些影响。本研究提出一种新颖的时间序列预测框架，用于预测区域层面的三个关键 Airbnb 指标——收入、预订天数和预订次数。采用滑动窗口方法，对模型在 1 到 3 个月的预测范围内进行趋势预测。不同于侧重于固定时间点上单个 listing 的先前研究，本方法通过整合 listing 特征与外部环境因素（如城市可达性和人类移动性）构建区域表示。我们将结构化表格数据转换为基于提示词的大语言模型（LLM）输入，生成综合性的区域嵌入。这些嵌入随后输入到高级时间序列模型（RNN、LSTM、Transformer）中，以更好地捕捉复杂的时空动力学。实验在首尔 Airbnb 数据集上表明，与传统基线方法（包括传统统计和机器学习模型）相比，本方法将平均 RMSE 和 MAE 降低约 48%。本框架不仅提高了预测准确性，也为检测过度供给区域和支持数据驱动的城市政策决策提供了实用见解。
关键词
引用
@article{arxiv.2511.14248,
title = {Enhancing Regional Airbnb Trend Forecasting Using LLM-Based Embeddings of Accessibility and Human Mobility},
author = {Hongju Lee and Youngjun Park and Jisun An and Dongman Lee},
journal= {arXiv preprint arXiv:2511.14248},
year = {2025}
}
备注
Accepted at ASONAM 2025