近些年,共享房源行业的大规模发展带来了房源数量的激增,在竞争日益激烈的市场环境下,房东可能无法准确地自主定价。为确保房东以及平台的收益,合理预测共享房源平台中海量房屋的租金价格成为重要的研究问题。然而,共享房源的个性化程度较高,并不能直接参照酒店行业选取房源特征,为解决共享房源价格预测问题带来了巨大挑战。因此,为帮助房东提高自主定价的准确性,本文在构建共享房源价格影响因素模型的基础上,提出了一种基于自适应密度聚类和XGBoost的共享房源价格预测方法。首先,基于对相关文献的整理归纳,本文论证了共享情境下房源价格影响因素与传统酒店行业的不同,从房东、房型、设施服务、租赁规则、地理位置、评分六个维度重新界定共享房源特征,构建价格影响因素模型,在此基础上实现共享房源价格预测。其次,为使价格预测效果得到进一步提升,本文将改进的自适应密度聚类方法与机器学习预测模型相结合,一方面,改进的自适应密度聚类方法能够克服在高维数据中识别真实密度聚类中心的困难,降低人工设置参数的干扰,挖掘在特征上具有相似表现的房源子集,梳理共享房源数据,简化房源价格预测场景;另一方面,根据得到的房源类簇,分类别采用XGBoost机器学习模型提高房源价格预测的准确性,并通过分析不同房源类簇的特征重要性为预测价格提供一定的可解释性。最后,利用美团民宿平台中的真实房源数据进行实验验证。实验结果表明,本文在密度聚类方法上作出的改进是正确的,能够在共享房源数据中有效识别真实聚类中心,并在聚类效果上优于其他方法;与未聚类的房源价格预测相比,基于自适应密度聚类和XGBoost的预测方法,能够有效提高价格预测的准确性;同时,与其他机器学习模型相比,XGBoost模型的表现更出色。本文基于构建的价格影响因素模型,将自适应密度聚类方法与共享房源价格预测方法相结合,不仅扩展了聚类方法在共享房源研究领域的适用范围,还为解决共享房源价格预测问题提供了一种新思路,有效缓解了共享房源房东和平台的定价困扰。