論文の概要: Enhancing Regional Airbnb Trend Forecasting Using LLM-Based Embeddings of Accessibility and Human Mobility

• arxiv url: http://arxiv.org/abs/2511.14248v1
• Date: Tue, 18 Nov 2025 08:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.011724
• Title: Enhancing Regional Airbnb Trend Forecasting Using LLM-Based Embeddings of Accessibility and Human Mobility
• Title（参考訳）: LLMを用いたアクセシビリティとヒューマンモビリティの埋め込みによる地域Airbnbトレンド予測の強化
• Authors: Hongju Lee, Youngjun Park, Jisun An, Dongman Lee,
• Abstract要約: Airbnbのような短期賃貸プラットフォームは、地元の住宅市場を著しく破壊している。 本研究は,地域レベルで3つのAirbnb指標を予測する時系列予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.055183162536266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The expansion of short-term rental platforms, such as Airbnb, has significantly disrupted local housing markets, often leading to increased rental prices and housing affordability issues. Accurately forecasting regional Airbnb market trends can thus offer critical insights for policymakers and urban planners aiming to mitigate these impacts. This study proposes a novel time-series forecasting framework to predict three key Airbnb indicators -- Revenue, Reservation Days, and Number of Reservations -- at the regional level. Using a sliding-window approach, the model forecasts trends 1 to 3 months ahead. Unlike prior studies that focus on individual listings at fixed time points, our approach constructs regional representations by integrating listing features with external contextual factors such as urban accessibility and human mobility. We convert structured tabular data into prompt-based inputs for a Large Language Model (LLM), producing comprehensive regional embeddings. These embeddings are then fed into advanced time-series models (RNN, LSTM, Transformer) to better capture complex spatio-temporal dynamics. Experiments on Seoul's Airbnb dataset show that our method reduces both average RMSE and MAE by approximately 48% compared to conventional baselines, including traditional statistical and machine learning models. Our framework not only improves forecasting accuracy but also offers practical insights for detecting oversupplied regions and supporting data-driven urban policy decisions.
• Abstract（参考訳）: Airbnbのような短期賃貸プラットフォームの拡大は、地元の住宅市場を著しく破壊し、しばしば賃貸価格の上昇と住宅価格の問題に繋がった。 そのため、地域のAirbnb市場のトレンドを正確に予測することは、政策立案者や都市計画者にとって、これらの影響を緩和するための重要な洞察を与えることができる。 本研究は,Airbnbの3つの重要な指標である収益,保留日,保留日数を地域レベルで予測する,新たな時系列予測フレームワークを提案する。 スライディングウインドウのアプローチを使用して、モデルは1～3ヶ月前にトレンドを予測します。 固定時点における個々のリスティングに焦点を当てた先行研究とは異なり,提案手法は,リスト機能と都市アクセシビリティや人的移動性などの外部要因を統合して地域表現を構築する。 構造化表データをLarge Language Model (LLM) のプロンプトベース入力に変換し,局所的な埋め込みを生成する。 これらの埋め込みは高度時系列モデル(RNN、LSTM、Transformer)に入力され、複雑な時空間力学をよりよく捉える。 ソウルのAirbnbデータセットの実験では、従来の統計モデルや機械学習モデルを含む従来のベースラインと比較して、私たちの方法は平均RMSEとMAEの両方を約48%削減している。 本フレームワークは,予測精度の向上だけでなく,過供給地域の検出やデータ駆動型都市政策決定支援のための実践的な洞察も提供する。

関連論文リスト

• Accelerating Privacy-Preserving Federated Learning in Large-Scale LEO Satellite Systems [57.692181589325116]
  大規模な低地球軌道(LEO)衛星システムは、高速かつ広範囲のデータ交換を可能にする能力によって、ますます価値が高まっている。 プライバシー上の懸念と規制上の制約のため、リモートクライアントで収集された生データを集中的に集約することはできない。 フェデレーション学習は、分散デバイス上でローカルモデルをトレーニングし、モデルパラメータのみを交換することで、プライバシ保護の代替手段を提供する。 本稿では,コミュニケーションリソースを動的に割り当て,フェデレート学習を高速化する,離散時間グラフに基づくオンデマンドスケジューリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T03:33:42Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models [13.076383543925864]
  上海を含む大都市に住む若者の間では、住宅が重要な関心事となっている。 本研究では,複数線形回帰(MLR),リッジ回帰(RR),ラッソ回帰(LR),決定木(DT),ランダム森林(RF)の5つの従来の機械学習手法を利用する。 この手法を用いて2021年に上海で約2,609レーンの住宅賃貸取引の公開データを調べ、その結果を比較した。
  論文  参考訳（メタデータ） (2024-05-26T07:01:33Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。