在线短租是近些年兴起的租房形式,随着互联网经济的发展,人们不再满足单一的酒店租房方式,用户直接通过手机APP或者PC网页版线上预定短租房。基于此背景下,短租平台发展迅速,其中国内短租平台主要包括小猪短租、途家网、木鸟短租、游天下等,国外短租平台主要包括Airbnb、Home Away等,与酒店房间相比,短租平台房屋呈现出价格低、面积大、设备齐全的特点,本文基于Airbnb平台上的房源数据出发,爬取了北京市3495条真实房源数据,研究短租房日租价格的影响因素,然后建立模型对短租房日租价格进行预测,即是对短租房日租价格的定价进行研究,最后对模型预测结果进行分析。本文收集的数据信息包括房源结构因素、房源位置因素、房源评论评分因素、服务保障因素,以及被解释变量短租房日租价格,首先进行数据预处理,利用缺失值处理、文本数据数量化、分类数据虚拟化,然后对数值型指标卧室数、床个数、卫生间个数、公共卫生间个数、独立卫生间个数、可住人数、总体评分、评论数、日租价格等9个指标进行数据归一化。通过描述性统计分析短租房日租价格的影响因素,结果得出以上四个因素对短租房日租价格存在一定的影响。通过分析后,本文自变量55个,因变量1个。为预测短租房日租价格,建立多元线性回归模型,自变量的输入方式采用逐步回归方法,通过检验的自变量共30个,对短租房日租价格影响最大的五个指标均为房屋类型指标,得到回归模型的拟合优度是74.16%,说明回归模型整体拟合优度较好。另外,本文还采用了机器学习算法模型对短租房日租价格预测,依据Lasso回归进行特征选择,选择系数不为0的变量35个,对短租房日租价格影响最大的五个指标为整栋别墅、整栋乡村小屋、客栈单间、卫生间个数、度假村客房,分别利用XGBoost、随机森林、支持向量机、BP神经网络算法建立短租房日租价格预测模型。结果表明,Lasso-随机森林的拟合程度最好,能够表现出较为明显的拟合程度,10折交叉验证得出五个评估指标的平均值,其中拟合优度为82.65%,平均绝对误差是0.2417,均方误差是0.2093,均方根误差是0.4547,平均百分比误差是0.9938,随机森林的评估指标与其他模型相比,都是最小的,其次是多元线性回归模型的拟合效果较好,通过10折交叉验证得出的平均拟合优度为79.19%,多元线性回归筛选指标和Lasso指标筛选的结果类似,结果显示,房屋类型因素对短租房日租价格的影响最大。拟合效果较差的模型为Lasso-XGBoost和Lasso-支持向量机,两者的拟合优度最低。本文利用短租平台上的房源数据,建立模型对短租房日租价格进行预测,了解到影响短租房日租价格的主要因素,为房东在平台上房屋定价提供了一定的参考,同时为租客在租房选择的过程中提出合理化建议,因此本文的研究具有现实意义。