Predicting Airbnb prices using machine learning algorithms

O setor da hotelaria tem sofrido alterações significativas devido ao crescimento de plataformas de aluguer de curta duração, como o Airbnb. Dado que tanto os anfitriões como as entidades reguladoras necessitam de um conhecimento aprofundado sobre as variáveis que influenciam o preço — com o objetivo de equilibrar a acessibilidade da habitação e as oportunidades económicas —, a previsão de preços tornou-se uma ferramenta essencial. De um modo geral, os anfitriões do Airbnb podem otimizar as suas estratégias de definição de preços, enquanto as entidades reguladoras podem desenvolver políticas mais equilibradas para manter a estabilidade da habitação urbana e, simultaneamente, fomentar o crescimento impulsionado pelo turismo, recorrendo a técnicas baseadas em dados. Este estudo avalia diversos modelos com o intuito de explorar diferentes técnicas de aprendizagem automática aplicadas à previsão de preços no Airbnb, especificamente nas freguesias de Lisboa. Para compreender a natureza dos dados e identificar as variáveis mais relevantes para a previsão, foi realizado um processo de limpeza e pré-processamento, seguido por análises descritivas, exploratórias e prescritivas, e consequente modelização. Com base na análise do desempenho preditivo de quatro modelos distintos — Mínimos Quadrados Ordinários, Regressão Geograficamente Ponderada, Floresta Aleatória e XGBoost —, a Floresta Aleatória destacou-se como o modelo com melhor desempenho na estimativa dos preços de arrendamento, demonstrando uma elevada capacidade para captar as tendências intrínsecas do mercado.