Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/10438095-7972-4704-B1B9-BBCF509AEAA8 | ||
| Έτος | 2023 | ||
| Τύπος | Μεταπτυχιακή Διατριβή | ||
| Άδεια Χρήσης |
|
||
| Βιβλιογραφική Αναφορά | Χρύσα Αντρία, "Αλγόριθμοι μηχανικής μάθησης για την πρόβλεψη τιμών ενοικίασης καταλυμάτων βραχυχρόνιας μίσθωσης", Μεταπτυχιακή Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023 https://doi.org/10.26233/heallink.tuc.104246 | ||
| Εμφανίζεται στις Συλλογές |
Η ραγδαία ανάπτυξη της αγοράς βραχυχρόνιας μίσθωσης καταλυμάτων μέσω πλατφορμών όπως το Airbnb έχει δημιουργήσει την ανάγκη για ακριβέστερη και πιο αξιόπιστη εκτίμηση των τιμών ενοικίασης. Η παρούσα εργασία διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης με στόχο την εκτίμηση της τιμής ενοικίασης καταλυμάτων βραχυχρόνιας μίσθωσης, με πεδίο μελέτης την περιοχή της Θεσσαλονίκης.Αρχικά πραγματοποιήθηκε συλλογή και προεπεξεργασία δεδομένων από την πλατφόρμα Inside Airbnb. Στη συνέχεια, αναπτύχθηκαν και αξιολογήθηκαν δύο μοντέλα πρόβλεψης: ένα βασισμένο στα Τεχνητά Νευρωνικά Δίκτυα και ένα στον αλγόριθμο Τυχαία Δάση. Η σύγκριση των αποτελεσμάτων πραγματοποιήθηκε μέσω δεικτών απόδοσης όπως ο συντελεστής προσδιορισμού R2 και το Root Mean Squared Error (RMSE). Τα αποτελέσματα έδειξαν ότι ο αλγόριθμος Τυχαία Δάση μπορεί να δώσει καλύτερες εκτιμήσεις καθώς είναι πιο αποδοτικός με συντελεστή R2 = 0,898 και μέσο σφάλμα RMSE = 13,442.Τα ευρήματα καταδεικνύουν τη χρησιμότητα της μηχανικής μάθησης ως εργαλείο υποστήριξης αποφάσεων στην τιμολόγηση ακινήτων βραχυχρόνιας μίσθωσης. Παράλληλα, αναδεικνύονται οι δυνατότητες και οι προοπτικές εξέλιξης μέσω της ενσωμάτωσης εξωτερικών παραμέτρων και πιο σύνθετων αλγορίθμων σε μελλοντικές εφαρμογές.
Copyright © DIAS 2013
