Uso de dados do Airbnb para predição do preço de aluguel de imóveis na cidade do Rio de Janeiro

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAlmeida, Simone de-
Autor(es): dc.contributorAlmeida, Simone de-
Autor(es): dc.contributorBorges, Helyane Bronoski-
Autor(es): dc.contributorBorges, André Pinz-
Autor(es): dc.creatorCarvalho, Vytor Hugo Lelis de-
Data de aceite: dc.date.accessioned2025-08-29T13:13:37Z-
Data de disponibilização: dc.date.available2025-08-29T13:13:37Z-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2025-07-02-
Data de envio: dc.date.issued2025-06-03-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37325-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1109505-
Descrição: dc.descriptionThis study aims to apply machine learning algorithms to predict rental prices of properties listed on the Airbnb platform, focusing on the city of Rio de Janeiro. A public dataset provided by the platform itself was used, and preprocessing, exploratory data analysis, and variable selection were conducted to identify the features most correlated with price. Three regression models were trained and evaluated: Random Forest, XGBoost, and LightGBM. The Random Forest algorithm achieved the best performance, with a coefficient of determination (R²) exceeding 90%. The most relevant variables identified include accommodation type, number of bedrooms, bathrooms, beds, location, and offered amenities. The results demonstrate the potential of data science and machine learning techniques as effective tools for automated and accurate pricing of short-term rental properties. As future work, it is suggested to incorporate seasonal, geographic, and local event factors, and to develop an application that assists property owners in setting prices based on real-time data.-
Descrição: dc.descriptionEste trabalho tem como objetivo aplicar algoritmos de aprendizagem de máquina para prever os preços de aluguel de imóveis anunciados na plataforma AirBnB, com foco na cidade do Rio de Janeiro. Utilizando uma base de dados pública disponibilizada pela própria plataforma, foram realizadas etapas de pré-processamento, análise exploratória e seleção de variáveis com maior correlação com o preço. A partir disso, foram treinados e avaliados diferentes modelos de regressão, sendo eles Random Forest, XGBoost e LightGBM, destacando-se o algoritmo Random Forest, que apresentou os melhores resultados em termos de precisão, com coeficiente de determinação (R²) superior a 90%. As variáveis mais relevantes identificadas incluem tipo de acomodação, número de quartos, banheiros, camas, localização e comodidades oferecidas. Os resultados evidenciam o potencial do uso de técnicas de ciência de dados e aprendizado de máquina como ferramentas eficazes para precificação automatizada e mais precisa de imóveis para aluguel de curto prazo. Como proposta de trabalhos futuros, sugere-se a inclusão de fatores sazonais, geográficos e eventos locais, além do desenvolvimento de um aplicativo que auxilie proprietários na definição de preços com base em dados atualizados.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAluguel residencial-
Palavras-chave: dc.subjectPreços - Determinação-
Palavras-chave: dc.subjectAnálise de regressão-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectDados conectados-
Palavras-chave: dc.subjectAirbnb (Firma)-
Palavras-chave: dc.subjectRio de Janeiro (RJ)-
Palavras-chave: dc.subjectRental housing-
Palavras-chave: dc.subjectBasing-point system-
Palavras-chave: dc.subjectRegression analysis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectLinked data-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleUso de dados do Airbnb para predição do preço de aluguel de imóveis na cidade do Rio de Janeiro-
Título: dc.titleUsing Airbnb data for predicting the rental price of properties in the city of Rio de Janeiro-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.