根据国家信息中心发布的《共享住宿发展报告2019》显示,2015-2018年共享住宿收入年均增速约为45.7%,是传统住宿业客房收入的12.7倍。但增速相对于2013年、2014年同比增长76%、137%的速度明显放缓,共享住宿的发展由原来的“高歌猛进”阶段进入当前关键的“调整阶段”。这就意味着随着我国共享住宿房源数量的不断增长,各房东之间的竞争程度与日俱增。房东如何在激烈的市场环境下,进行合理准确的价格预测,成为本文的研究问题。本文以北京市Airbnb共享住宿为研究对象,(1)运用文献梳理方法,从房源特征、房主特征、位置特征、声誉特征、租赁特征、时间特征出发整合得到影响共享住宿日租价格的50个因素。(2)以特征价格理论为依据,在工作日和非工作日房源日租价格显著不同的基础上,运用半对数逐步回归方法和分位数回归方法构建工作日/非工作日共享住宿特征价格模型得到影响工作日/非工作日房源日租价格的主要因素,以及各个因素对工作日/非工作日价格的具体影响。(3)基于这些主要因素,运用随机森林和LightGBM算法构建工作日/非工作日共享住宿日租价格预测模型,以便房东在了解日租价格主要受哪些因素影响的基础上,准确预测房源日租价格。结果表明:(1)工作日/非工作日租价格主要受30/33个因素影响,两者Top10影响因素均集中在房源特征、位置特征、声誉特征。不同的是,非工作日价格受更多因素影响,这些因素包括“是否有厨房”、“房东是否是超级房主”等。(2)不同因素对价格的影响各不相同,以容纳数为例,每增加1人,工作日/非工作日价格平均增加9.7%,10.6%,且高价位房源对这一因素更敏感。(3)非工作日价格平均高出工作日价格10.5%,非工作日中节假日房源日租价格平均高出周末价格15.6%,意味着房东在不同的时间段中可以调整日租价格以获得更高收益,新手房东可以参考这一标准来调整价格。(4)通过十折交叉验证法得出LightGBM价格预测模型优于随机森林价格预测模型,其中LightGBM预测模型对工作日/非工作日房源日租价格的平均预测精度R~2分别为71%,82%。