Predicting airbnb prices using location and image data
Airbnb fiyatlarının, konum ve fotoğraf verileri kullanarak tahminlenmesi
- Tez No: 940074
- Danışmanlar: DOÇ. DR. GÜLFEM ALPTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dönemsel konaklama ihtiyaçları, yakın zamana kadar ağırlıklı olarak otel gibi işletmeler aracılığıyla karşılanmaktaydı. Ancak son yıllarda, Airbnb aracılığıyla konutlar da kiralanmaya başlandı. Bu modeli farklı kılan birçok özellik bulunmaktadır. Öncelikle, kiralanan mülklerin fiziksel özellikleri (oda sayısı, sunulan olanaklar vb.), hem geleneksel hizmetlerden hem de kendi aralarında önemli farklılıklar göstermektedir. İkinci olarak, geleneksel konaklama hizmetleri genellikle şehrin belirli bölgelerinde yoğunlaşırken, Airbnb aracılığıyla kiralanabilen konutlar hemen her konumda bulunabilmektedir. Son olarak, bu konutlarda sunulan hizmetler de otel ve pansiyonlara kıyasla çeşitlilik göstermektedir. Bu farklılıklar, konaklama hizmetlerinin fiyatlandırılmasında farklı yaklaşımlar gerektirmektedir. Fiyatı etkileyen faktörlerin doğru bir şekilde belirlenmesi ve bu bilgiler doğrultusunda adil bir fiyatlandırma yapılması; hem hizmet sağlayıcıların karlılığı hem de hizmet alanların makul bir fiyat teklifi değerlendirmesi açısından büyük önem taşımaktadır. İstanbul'daki Airbnb ilanlarını temel alan bu araştırmada, konutların fiyatını hangi faktörlerin ne ölçüde etkilediği ve en başarılı fiyat tahmin yönteminin hangisi olduğu analiz edilmiştir. Araştırmada, Airbnb ilanlarında standart olarak sunulan oda sayısı, müşteri puanı gibi temel bilgilerle birlikte; konumun toplu taşımaya entegrasyonu, günlük ihtiyaçların ne ölçüde karşılanabildiği ve ilanın fotoğrafının analizi gibi unsurlar da değerlendirilmiştir. Fiyat tahminlemesi için farklı makine öğrenmesi teknikleri uygulanmış ve her bir faktörün fiyat üzerindeki etkisi hesaplanmıştır. Sonuçlara göre, bir konutun fiziksel özellikleri kadar olmasa da, konuma dayalı bilgilerin de önemli bir rol oynadığı görülmüştür. Toplu taşıma duraklarına yakınlık, kültürel aktiviteler ve eğitim olanakları öne çıkan faktörler olarak belirlenmiştir. İlanın fotoğrafının büyük dil modeli aracılığıyla analiz edilmesinin fiyat tahminine anlamlı bir katkı sağlamadığı tespit edilmiştir.
Özet (Çeviri)
Until recently, temporary accommodation needs were met through businesses such as hotels. However, in recent years, housing rentals through Airbnb have become increasingly common. This model has several distinguishing features. First, the physical characteristics of rental properties (such as the number of rooms and available amenities) show significant variations, both compared to traditional accommodations and among themselves. Second, properties available for rent via Airbnb can be found in almost any location. Finally, the services offered vary compared to hotels. These differences necessitate different approaches to predicting prices. Identifying the factors that influence pricing accurately is crucial for profitability. This study, based on Airbnb listings in Istanbul, analyzes which factors influence property prices and to what extent, as well as determining the most successful price prediction method. In the research, in addition to basic information commonly included in Airbnb listings, factors like the integration of the location with public transportation, the extent to which daily needs can be met, and the analysis of listing photos were also considered. Various machine learning techniques were applied for price prediction, and the impact of each factor on pricing was calculated. The results indicate that while the physical characteristics of a property play a significant role, location-based information is also crucial. Proximity to public transportation stops, cultural activities, and educational facilities were identified as key factors. It was also determined that analyzing the listing photo using a large language model did not provide a meaningful contribution to price prediction.
Benzer Tezler
- Impact of external motivators to predict house price: The case of İstanbul
Konut fiyatlarını tahminlemede dış faktörlerin etkisi: İstanbul çalışması
BESTE ŞENOCAK SOYSAL
Yüksek Lisans
İngilizce
2026
Bilim ve TeknolojiBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAMER UÇAR
- Improving prediction accuracy with clustering-based approaches
Kümeleme tabanlı yaklaşımlarla tahmin doğruluğunun artırılması
ESMA GİZEM ÖZAKTUĞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TEVFİK AYTEKİN
- Predıctıng rental prıces for 2024 ıstanbul arıbnb rental lıstıngs wıth machıne learnıng and deep learnıng
2024 ıstanbul aırbnb kira fiyatlarının makine öğrenimi ve derin öğrenme ile tahmin edilmesi2024 Istanbul aırbnb kira fiyatlarının makine öğrenimi ve derin öğrenme ile tahmin edilmesi
ECE DURU MUTLU
Yüksek Lisans
İngilizce
2025
Mühendislik BilimleriBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGE YÜCEL KASAP
- Predicting inflation in Turkey: Leading indicators approach
Türkiye'deki enflasyonun kestirimi: Öncü göstergeler yaklaşımı
GAMZE UĞUR
Yüksek Lisans
İngilizce
1999
EkonomiOrta Doğu Teknik ÜniversitesiEkonomi Ana Bilim Dalı
PROF. DR. HALUK ERLAT
- Predicting innovative team climate: The role of organizational culture
Örgüt kültürlerinin takımların iklimleri üzerindeki rolü
AYŞE HANDE GENÇ
Yüksek Lisans
İngilizce
2000
İşletmeMarmara Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HANDAN KEPİR SİNANGİL