LLM-gestützte Embeddings verbessern Airbnb-Trendvorhersagen regional
Die rasante Verbreitung von Kurzzeitvermietungsplattformen wie Airbnb hat lokale Wohnmärkte stark verändert und oft zu steigenden Mietpreisen sowie erschwerten Wohnmöglichkeiten geführt. Für Entscheidungsträger in Politik und Stadtplanung ist es daher entscheidend, regionale Airbnb-Trends präzise vorhersagen zu können, um gezielte Gegenmaßnahmen zu entwickeln.
In einer neuen Studie wird ein innovatives Zeitreihen-Framework vorgestellt, das drei zentrale Airbnb-Indikatoren – Einnahmen, Reservierungstage und Anzahl der Buchungen – auf regionaler Ebene prognostiziert. Durch einen gleitenden Zeitfenster-Ansatz liefert das Modell Vorhersagen für die nächsten ein bis drei Monate.
Der Schlüssel zum Erfolg liegt in der Kombination von Listing‑Daten mit externen Kontextfaktoren wie städtischer Erreichbarkeit und menschlicher Mobilität. Die Forscher wandeln strukturierte Tabellen in promptbasierte Eingaben für ein Large Language Model (LLM) um, wodurch umfassende regionale Embeddings entstehen. Diese Embeddings werden anschließend in fortschrittliche Zeitreihenmodelle wie RNN, LSTM und Transformer eingespeist, um komplexe räumlich‑zeitliche Dynamiken besser abzubilden.
Die Experimente, die auf einem Airbnb‑Datensatz aus Seoul basieren, zeigen, dass die neue Methode sowohl den durchschnittlichen RMSE als auch den MAE um etwa 48 % gegenüber herkömmlichen Baselines senkt. Damit liefert das System nicht nur deutlich genauere Vorhersagen, sondern ermöglicht auch die Identifikation von überversorgten Regionen und unterstützt datenbasierte Entscheidungen in der Stadtpolitik.