随着我国经济的快速发展和人们生活水平的不断提高,人们对出行的需求也日益多元化,在出行过程中更注重住宿体验感,相比价格高且单一化的酒店,可住出“家的感觉”的共享住宿更受到人们的青睐,共享住宿的市场规模也因此不断扩张。共享住宿房源价格会影响到人们的消费选择,进而影响到房东和平台的收益,因此建立科学准确的价格预测模型,提供合理的定价建议,对于共享住宿平台、房东、消费者皆有参考意义。基于上述原因,本文选取共享住宿平台Airbnb上海市房源为研究对象。首先通过文献梳理初步选出影响共享住宿房源价格的29个因素,为提升数据质量,对数据集进行一系列的预处理,包括缺失值处理、特征编码、特征构建和筛选,由于考虑到房源周围环境的影响,本文通过特征构建增加地铁站距离、车站距离、景区距离、周围竞争程度4个特征。然后选取Bagging代表算法随机森林,Boosting代表算法XGBoost和LightGBM,分别构建共享住宿房源价格预测模型,并通过Stacking方法对以上三种模型进行融合,使用MSE、MAE和R~2三个指标评估各个模型的预测效果。最后使用SHAP方法对价格预测模型中各个特征的影响程度进行分析,并给出影响共享住宿房源价格的关键因素。通过本文的研究发现:（1）在随机森林、XGBoost、LightGBM三种房源价格预测模型中,XGBoost模型表现最好;通过Stacking方法对模型进行融合后,有效地提高了模型预测的效果,相较于单一模型,预测误差更小、精度更高,在MSE、MAE和R~2三个指标中分别达到0.065、0.177、80.6%。综合对比,Stacking融合模型在共享住宿房源价格预测中效果最好。（2）通过SHAP分析得出影响共享住宿房源价格的关键因素为房源类型、设施、出租规则及地理位置四大类,具体可包含卧室数、可容纳人数、房源设施数、房源出租类型、房源类型、预定天数、周围竞争程度、房源位置等。本文的研究不仅可以帮助房东在房源上线前预估价格、合理定位,在房源上线后优化服务、提高收益,还可以帮助平台进一步完善价格推荐功能,为消费者推荐更合适的房源,使消费者获得更好的住宿体验。