当前,共享短租平台如雨后春笋拔地而起,不断蚕食酒店行业的市场份额。但是,相对于酒店行业系统化和成熟化的定价系统,共享短租房的价格主要由非专业的商家自主定价,存在一定的盲目性和失准性,因此,对共享短租房价格进行预测是非常重要的。然而,目前对短租房价格预测主要考虑静态因素和季节性因素,而非季节性的人群流动行为因素对共享短租价格的影响也不可忽视,基于此在价格预测模型中引入该因素,可以使预测结果更准确合理。本研究引入反映非季节性人群流动行为的网络搜索行为数据和人群出行行为数据,构建共享短租房价格预测模型,并进行实验验证。（1）利用网络搜索行为数据,将重大不规则事件的网络搜索量转化为人群流动可能性的特征。该过程分为四步,首先,将影响住宿的实时事件作为重大不规则事件;其次,选取与重大不规则事件相关的网络关键词,根据网络关键词搜索量与共享短租房价格相关程度过滤网络关键词;然后,构建网络关键词与重大不规则事件类别之间的关系模型;最后,通过映射关系,将网络关键词搜索量提取为反映非季节性因素引起人群流动可能性的网络搜索行为特征。（2）利用人群出行行为数据,提取非季节性因素引起人群流动的特征。该过程分为两步,首先,使用移动平滑法对人群出行行为历史数据进行周期化,并将每个周期内的人群出行行为数据均值作为趋势指数;然后,消除趋势指数的季节性和周期性,计算趋势指数的二阶导数获取变化强度并对其进行离散化,获得人群出行行为特征。（3）基于提取的非季节性人群流动行为特征（网络搜索行为特征和人群出行行为特征）,融合静态特征、季节特征构建基于XGBoost-RF的预测模型。该构建过程分为三步,首先,使用静态特征和季节性特征,基于XGBoost基础模型预测共享短租房价格得到初始预测值以及残差值;其次,将残差值作为标签,使用静态特征和非季节性人群流动行为特征,基于RF模型获取残差预测值;最后,将初始预测值与残差预测值进行组合,得出最终的共享短租房价格预测值。（4）以Airbnb北京房源数据集为例,将相关网络关键词的百度指数作为网络搜索行为数据、腾讯位置大数据作为人群出行数据进行实验验证。实验结果表明,本研究构建的共享短租房价格预测模型的RMSE、MAE、MAPE、R~2分别为94.838、69.563、16.416%、0.699,不仅比未引入非季节性人群流动行为因素的准确度提升了4.56%,也比仅使用单一模型的准确度提升了2.15%。