Συντάχθηκε 28-07-2025 16:53
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 31/07/2025 12:00
Λήξη: 31/07/2025 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Μηχανικών Παραγωγής και Διοίκησης
Πρόγραμμα Μεταπτυχιακών Σπουδών
Διοίκηση Επιχειρήσεων
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
Πέμπτη, 31 Ιουλίου 2025, 12:00
https://tuc-gr.zoom.us/j/84376874961?pwd=WTVEY1RZQzhST0lUcDNuR1U5T1M1dz09
Ονοματεπώνυμο: ΑΝΤΡΙΑ ΧΡΥΣΑ
Θέμα: Αλγόριθμοι μηχανικής μάθησης για την πρόβλεψη τιμών ενοικίασης καταλυμάτων βραχυχρόνιας μίσθωσης
Title: Machine learning algorithms for predicting the prices of short term rental properties
Εξεταστική Επιτροπή
- ΤΣΑΦΑΡΑΚΗΣ ΣΤΕΛΙΟΣ, Αναπληρωτής Καθηγητής (επιβλέπων)
- ΔΟΥΜΠΟΣ ΜΙΧΑΗΛ, Καθηγητής
- ΑΤΣΑΛΑΚΗΣ ΓΕΩΡΓΙΟΣ, Αναπληρωτής Καθηγητής
Περίληψη
Η ραγδαία ανάπτυξη της αγοράς βραχυχρόνιας μίσθωσης καταλυμάτων μέσω πλατφορμών όπως το Airbnb έχει δημιουργήσει την ανάγκη για ακριβέστερη και πιο αξιόπιστη εκτίμηση των τιμών ενοικίασης. Η παρούσα εργασία διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης με στόχο την εκτίμηση της τιμής ενοικίασης καταλυμάτων βραχυχρόνιας μίσθωσης, με πεδίο μελέτης την περιοχή της Θεσσαλονίκης. Αρχικά πραγματοποιήθηκε συλλογή και προεπεξεργασία δεδομένων από την πλατφόρμα Inside Airbnb. Στη συνέχεια, αναπτύχθηκαν και αξιολογήθηκαν δύο μοντέλα πρόβλεψης: ένα βασισμένο στα Τεχνητά Νευρωνικά Δίκτυα και ένα στον αλγόριθμο Τυχαία Δάση. Η σύγκριση των αποτελεσμάτων πραγματοποιήθηκε μέσω δεικτών απόδοσης όπως ο συντελεστής προσδιορισμού R2 και το Root Mean Squared Error (RMSE). Τα αποτελέσματα έδειξαν ότι ο αλγόριθμος Τυχαία Δάση μπορεί να δώσει καλύτερες εκτιμήσεις καθώς είναι πιο αποδοτικός με συντελεστή R2 = 0,898 και μέσο σφάλμα RMSE = 13,442. Τα ευρήματα καταδεικνύουν τη χρησιμότητα της μηχανικής μάθησης ως εργαλείο υποστήριξης αποφάσεων στην τιμολόγηση ακινήτων βραχυχρόνιας μίσθωσης. Παράλληλα, αναδεικνύονται οι δυνατότητες και οι προοπτικές εξέλιξης μέσω της ενσωμάτωσης εξωτερικών παραμέτρων και πιο σύνθετων αλγορίθμων σε μελλοντικές εφαρμογές.
