Disputationsvortrag Schernthanner: Analyse und Visualisierung von Mietpreisdaten für...

Disputation

Untersuchungen zur räumlichen

Analyse und Visualisierung von

Mietpreisdaten für Immobilienportale

Harald Schernthanner/Geoinformatik/UP

Inhalt1. Forschungsrahmen 2. Status Quo 3. Methoden4. Quantitative Datenbasis5. (Teil-)Implementierungen 6. Ergebnisse

Quelle: Trulia

1. 1900 US$ Miete in ganz Manhatten?

1. Zehlendorf 9,27 €/m²|Potsdams Innenstadt 8-10 €/m²?

Quelle: Wirtschaftswoche

Quelle: Immoblienscout 24

Quelle: Immonet

1. Forschungsprobleme

1.Erhebliche Mängel in der räumlichen Analyse von Immobilienpreisen bei Immobilienportalen

2.Erhebliche Mängel in der Geovisualisierung von Mietpreisen bei Immobilienportalen

Ziel der Arbeit: Optimierung räumlicher Analysemethoden und Methoden der Geovisualisierung bei Immobilienportalen

1. Forschungsfragen

2. Welche Methoden aus geoinformatischen Methodenspektrum können anhand realweltlicher Anforderungen von Portalen adaptiert werden?

3. Wie können die Methoden für eine Nutzung für Immobilienportale adaptiert werden?

1. Status Quo raumanalytischer und geovisueller Methoden in Portalen?

1. Forschungsrahmen Hypothese

1. Verfahren der räumlichen Statistik und des maschinellen Lernens zur Mietpreisschätzung sind den bisher eingesetzten Verfahren der hedonischen Regression überlegen und eignen sich zur räumlichen Optimierung von Immobilienportalen

2. Alternative webbasierte Darstellungsformen, wie z.B. Gridmaps, sind dem Status Quo der Immobilienpreiskarten von Immobilienportalen überlegen und visualisieren die tatsächlichen räumliche Verhältnisse von Immobilienpreisen zweckmäßiger

1. Operationalisierung Teilschritte

Qualitative Analysen: Technologische Analyse von 32 Immobilienportale Experteninterviews mit 5 Fachexperten

Quantitative Analysen: Konzeptionelle Vorüberlegungen zu Verfahren der

Raumanalyse und Geovisualisierung Teilimplementierung der Verfahren

2. Status Quo Prozesskette von Immoblienportalen

Quelle: Immonet

Research ?? Mittelwert / Median Hedonische Regression

2. Status Quo Hedonische Regression

Funktioneller Zusammenhang zwischen zwischen Immobilienpreis p und und Immobilieneigenschaften x

Preis wird über intrinsischen Werte einer Immobilie und deren Verfügbarkeit berechnet

Geographische Lage wird außer acht gelassen:

"Everything is related to everything else, but near things are more related than distant things."Tobler, W. R. (1970). A computer movie simulating urban growth in the Detroit region. Economic geography, 234-240.

3. Methoden: Evaluiert im Rahmen der Promotion

Es erfolgte eine umfassende Verfahrensidentifizierung und Methodenevaluierung

Vorverarbeitung Maschinelles Lernen

Räumliche Schätzverfahren

Geovisualisierung

Autokorrelationstests:Morans I/ Gearys C/ Getis-Ord Gi

Random Forest Trees Geographisch gewichtete Regression

Grid Maps

Hauptkomponenten-analyse

Künstliche Neuronale Netze

Ordinary Kriginging

Webkarten mit Map APIs und Java Script Kartenbibliotheken

Random Forest Trees Kriging with external drift

Cloudbasierte Geovisualisierungen

Ordinary Cokriging

4. Quantitative Datenbasis

Einmalige „Big Data“ Datenquelle in der sonst von Intransparenz gekennzeichneten Immobilienwirtschaft

Alle auf Immobilienscout 24 gelisteten Mietangebote der Stadt Potsdam vom ersten Quartal 2004 bis zum September 2013: 80% Marktabdeckung

Multivariater Datensatz: 74.098 geokodierte Angebote mit 64 immobilienspezifischen Variablen.

Angebotsdichte von 40 - 900 Angeboten je Stadtteil und Jahr

5.1 (Teil-)Implementierung Ordinary Kriging

Kriging = räumliche-geostatistische Interpolationsmethode,

Kaum Anwendungen des Verfahrens auf die Mietpreisschätzung

Räumlicher Zusammenhang über die Abstandsvektoren und Nachbarschaft der Angebotspunkte

Potsdam1319 Angebote1. Quartal 2013

5.1 (Teil-)Implementierung Ordinary Kriging

3 Kriging Verfahren und 3 Parameter in 120 Testläufen

Validierung im Vergleich zum hedonischen Standardverfahren mittels 5-facher Kreuzvalidierung und der Gütemaße

Mean Error, RMSE / Fehler in % / Rechenzeit Mietpreisschätzung: 77m² große 3-

Zimmerwohnung

5.1(Teil-)Implementierung Ordinary Kriging

Das einfachste Kriging Verfahren Ordinary Kriging war allen komplexeren und dem hedonischen Verfahren überlegen

30 ha Infas GeodatenGeometrie

5.2 (Teil-)Implementierung Grid Maps

Was ist die ideale Zellengröße für eine Mietpreiskarte?

Methodik des Gridmapping

Filterung von (Wohn-)Gebäudeblöcken: Overpass API

Angebotsdistanz,Punktdichte

& Grundfläche von Wohngebäuden

Zellgrößen (m) Maßstab Zoomstufe in Webmap / OpenStreetMap

110 1: 70 000 13

75 1: 35 000 und 1: 15 000 14 und 15

>= 50 >= 1:8000 >= 16

20 -50 Nur zur Berechnung / feinmaschige Grids

Mietpreiskarten – Prototyp Zoomstufe 13 /1: 35.000 Filterung nach Urban Atlas

Mietpreiskarte Status Quo des Portals Immobilienscout 24 Zoomstufe 13 1: 36.000

Mietpreiskarte IS 24 Zoomstufe 15 1: 14.400Infas Geodaten Neighboorhood

Mietpreiskarten – Prototyp: Zoomstufe 16 1: 13.000

Mietpreiskarten: Prototyp und Status Quo: Zoomstufe 18 & 18 1: 4500

6. Zusammenfassung

Beweis für die Hypothesen konnte erbracht werden

Kriging Verfahren und Verfahren des Gridmappings stellen eine deutliche Verbesserung des Status Quo da und zeigen die wahre Preisverteilung im Raum

6. Ergebnisse Beitrag zum Stand der Forschung

Erstmalige umfassende Erhebung des raumanalytischen und geovisuellen Status Quo von Immobilienportalen

Erstmalige Nutzung bzw. Adaption räumlicher Analytik und Visualisierung zur Mietpreisanalyse- und Darstellung für Immobilienportale

Erstmaliger Methodentransfer in operationelles Umfeld

6. Publikationen & Vorträge

Schernthanner, H. & L. Tyrallová (2010). FOS-GIS und Immobilienportale als Instrumente der Wohnungsmarktanalyse. In Strobl, J., Blaschke, T. & G. Griesebner, eds., Angewandte Geoinformatik 2010. Beiträge zum 22. AGIT-Symposium Salzburg, 7-9 Jul 2010. Universität Salzburg. Heidelberg.

Schernthanner, H. (2012) Spatial analysis, forecasting and simulation of urban apartment rental markets. Vortrag auf Einladung an das Department Landschaftsökologie / Computational Landscape Ecology des UFZ (Umweltforschungszentrum), Leipzig.

Schernthanner, H. & H. Asche (2012).Geosimulation of Urban Housing Market Conditions: A Preliminary Investigation. eds. REAL-CORP 2012, Proc. 17th International Conference on Urban Planning, Regional Development in the Information Society. Wien, Austria 14-26 May 2012.

Schernthanner,H. (2012) Gastteilnahme am Expertengremium Potsdam 22, im Auftrag der Stadtverordnetenversammlung der Stadt Potsdam, zur Untersuchung des Kostenanstiegs im Wohnen: http://potsdam22.de

Scheele, L. & Schernthanner, H. (2014). Eine räumliche Alternative der Modellierung und Darstellung von Immobilienpreisen für Immobilienportale. In Strobl, J., Blaschke, T. & G. Griesebner, eds., Angewandte Geoinformatik 2014. Beiträge zum 26. AGIT-Symposium Salzburg, 2-4 Jul 2014. Universität Salzburg. Heidelberg. [ONLINE]

Schernthanner, H. (2015): The spatial estimation of appartment rents: A brief introduction, Vortrag im Rahmen von #Maptime Berlin

Vielen Dank für Ihre Aufmerksamkeit!

Fragen ?

Exemplarische (Teil-)implementierungen Random Forest

Anwendung zur Sekundärvariablenwahl und zur Mietpreisschätzung als Regressionsmodell an exemplarischen Datensatz aus 1. Quartal 2015 Untersuchungsraum Potsdam mit 1319 Objekten.

Von Breimann (2001) entwickelte Weiterentwicklung von Entscheidungsbäumen. Vorteil: Kann mit kategoriellen Variablen angewendet werden

VariablenauswahlEinteilung in Training und Testdaten

70% Test / 15% Training / 15% „Out of the bag“

Modellläufe 100 – 500 BäumeValidierung: MSE / lnMSE%/

Node Impurity

Exemplarische (Teil-)implementierungen Random Forest

n tree

150 350 400 300 450 250 500 200 100

MSE 1,1385 1,1391 1,1392 1,1397 1,1404 1,1407 1,1412 1,1436 1,1508

Random Forest

Der von Breiman (2001) entwickelte Algorithmus "Random Forest" (RF) ist eine Weiterentwicklung herkömmlicher einfacher Entscheidungsbäume

Die "Entscheidung" über das endgültige Resultat eines Random Forest Modells wird über eine Anzahl an willkürlich gewachsenen Entscheidungsbäumen bestimmt (Statsoft, 2014)

Nur wenige Studien zur Mietpeisschätzung nutzen Random Forest

Quelle: Imperial College London Quelle: TU Cottbus

Anwendung Künstliche Neuronale Netzwerke

Daten werden im Verhältnis 70% / 15%/ 15% von Test,- Trainings, und Validierungsdaten unterteilt.

Für Antwort vom neuronalen Netz nutzt man die Variablen: Verweildauer der Anzeige / Wohnfläche / Baujahr / Objektalter / Zimmeranzahl und Etage

Validierungsmaß Pseudo R²: mit 0,192 sehr gering und großer Fehler an den zu schätzenden Punkten

Künstliche Neuronale Netzwerke

Künstliche Neuronale Netze (Artificial neural network) sind laut Zell (1994) informationsverarbeitende Systeme, bestehend aus einer großen Anzahl von Einheiten, Zellen oder Neuronen

Die Neuronen senden sich über die "Aktivierung" von Zellen Informationen zu. Wir haben es laut Bock (1995) mit einer abstrakten Simulation natürlicher neuronaler Netze zu tun.

ANN bestehen aus einer Eingabeschicht, ein bis zwei verdeckten Schichten (Hidden Layer) und einer Ausgabeschicht.

Diese Schichten wiederum bestehen aus Neuronen. Die einzelnen Neuronen werden durch gerichtete Verbindungen zusammengehalten

Künstliche Neuronale Netze (Artificial neural network) sind laut Zell (1994) informationsverarbeitende Systeme, bestehend aus einer großen Anzahl von Einheiten, Zellen oder Neuronen

Die Neuronen senden sich über die "Aktivierung" von Zellen Informationen zu. Wir haben es laut Bock (1995) mit einer abstrakten Simulation natürlicher neuronaler Netze zu tun.

ANN bestehen aus einer Eingabeschicht, ein bis zwei verdeckten Schichten (Hidden Layer) und einer Ausgabeschicht.

Diese Schichten wiederum bestehen aus Neuronen. Die einzelnen Neuronen werden durch gerichtete Verbindungen zusammengehalten

Quelle: RWTH Achen

©schernthanner·ifg·uni·potsdam

Hedonische Regression

Preisschätzung von Produkten mit laufender Veränderung des Preis-Leistungsverhältnis, bzw. einer Preisberechnung über Qualitätsanpassung (Gordon, 1990)

Auf Immobilien angewendet: Preisschätzung über einen Zeitfaktor (Verfügbarkeit einer Immobilie in einer Angebotsdatenbank) und Qualität der Immobilie (intrinische Werte)

Räumliche Autokorrelation wird vernachlässigt

Determinanten der (Teil-)implementierung im Rahmen der Promotion:

Wohnfläche / Objektalter/ Zimmeranzahl / Etage / Verweildauer der Anzeige

Hedonische Regression Log Variante

Funktioneller Zusammenhang zwischen zwischen Immobilienpreis p und und Immobilieneigenschaften x

= Konstante der Regression= Störterm

Zu schätzender logarithmischer

Unabhängigen Variablen

Störterm

Regressions-konstante

Geographisch Gewichtete Regression (GWR)

Multivariates Regressionsmodell

Einziger Unterschied zu herkömmlicher multipler Regression ist ein lokal eingesetzter Gewichtungsfaktor

Über diesen können über im Raum verortete Punkte Aussagen getroffen werden: GWR kann mit zusätzlichen Lagemodellierungen kombiniert werden. z.B. der Netzwerkdistanz zu Bushaltestellen

Lokal geschätzte Parameter am Beobachtungspunkt i

Fehlerterm

Koordinaten am Beobachtungspunkt

Interpolation

Interpolation =„Die Ermittlung eines unbekannten Funktionswertes zu einem Argument, das zwischen zwei Argumenten mit bekannten Funktionswerten (Stützwerten) liegt“ (Geoinformatik-Service, 2002)

Versuch Attributwerte an Punkten ohne Messergebnisse zu schätzen

Schätzung aus Stützpunkten = Punkte mit bekannten Messwerten.

“In real estate analysis, the kriging method is used to create interpolated maps or continuous maps ”Anselin, L. (1998). GIS research infrastructure for spatial analysis of real estate markets. Journal of Housing Research, 9(1), 113-133.

Kriging

Interpolation =„Die Ermittlung eines unbekannten Funktionswertes zu einem Argument, das zwischen zwei Argumenten mit bekannten Funktionswerten (Stützwerten) liegt“ (Geoinformatik-Service, 2002)

Versuch Attributwerte an Punkten ohne Messergebnisse zu schätzen

Schätzung aus Stützpunkten = Punkte mit bekannten Messwerten

“In real estate analysis, the kriging method is used to create interpolated maps or continuous maps (Anselin, 1998)”

Ordinary Kriging nutzt zur Schätzung nur Informationen aus den Primärvariablen, dabei wird der lokal konstante Mittelwert geschätzt und auf den sich ergebenden Residuen ein Simple Kriging angewendet (Li und Heap, 2008, zitiert nach Goovaerts, 1997)

}Kriging / Variographie

Krigining Schätzer Ordinary Kriging

Kriging Schätzer

Zu schätzender Wert Z der an der Position

Datenpunkte die in Schätzung miteinfließen

Kriging Gewicht,ermittelt aus Variogramm

Konstanter, bekannter, stationärer Mittelwert im Untersuchungsgebiet

Wert der Variablen Z am Meßpunkt

Lokaler Mittelwert der Beobachtungspunte

Validierungsrahmen

Zur Eignungsprüfung der Verfahren ist eine Messung der Schätzgüte bei variierenden Parameterkombinationen notwendig.

K – fold crossvalidation

Angewendet wurde eine 5-fache Kreuzvalidierung der Verfahren → aus der Menge aller Stützpunkte werden n Untermengen entfernt. Diese dienen der Validierung

Gütemaße: Kriterein der Auswahl: Gesamtgenauigkeit, Verzerrungen des Modells, Sensitivität und Zuverlässigkeit des Modells und den Rechenaufwand:

Mean Error (ME) / RMSE (Root Mean Square Error) / Mittlere Relative Abweichung in %: / Anteil der Datenpunkte Abweichung <10% / Rechendauer der Modelle in Sekunden

Experteninterviews Methodik

Experten:

„wer in irgendeiner Weise Verantwortung trägt für den Entwurf, die Implementierung oder die Kontrolle einer Problemlösung“ bzw.

„wer über einen privilegierten Zugang zu Informationen über Personengruppen oder Entscheidungsprozesse verfügt.“ (nach Meuser und Nagel (1991))

Auswerung über die von Meuser und Nagel vorgeschlagenen Schritte:

a.) Transkription, b.) Paraphrasierung, c.) Reduktion durch Überschriften, d.) Bereichsspezifische Analyse des Materials, e.) Thematischer Vergleich und f.) Theoretische Generalisierung und Kategorienbildung.

Nach der Transkription der Audiodaten lag ein 50-seitiges auswertbares Interviewtranskript zur Auswertung vor.

Es wurden durch die Auswertung der Experteninterviews verschiedene Themenfelder, mit weiteren untergeordneten Problemfeldern, identifiziert.

Experteninterviews Experten

5 Experten in 45-minütigen teilstandardisierten, qualitativen Interviews mit Interviewleitfragen: Peter Ache: Autor Immobilienmarktbericht Deutschland Jörn-Michael Westphal: Geschäftsführer der städtischen

Immobiliengesellschaft Pro Potsdam Jan Hebecker: LeiterAnalytics Insight Data, IS 24 Arne Schwarz: Leiter Produktmanagment

Immobilienbewertung IS 24 Jan Hebecker: Transparenzoffensive Immobilienwirtschaft,

Experteninterviews Themen- und Problemfelder

Immobilienpreis-karten

Immobilienpreismodellierung Daten Angebotskarten

Fachfremd verwendete Grenzen

Hedonische Regressionsmodelle

Datenschutz

Pin/Marker Problematik

Legende

Datenpräprozessierung DatenHomogenisier-ung

Zusätzliche Informationsebe-nen

Datendifferenzierung

Dichteschwankungen Open Data

Indikatoren basierte, distanzabhängige

Visualisierung der Distanzen

Lagemodellierung

Ableitung Bestandspreis

Angebotsmieten Relevanz

Angebotsmieten geben die aktuelle Marktlage wieder sind von der Aussagekraft Neuvertragsmieten gleich zu setzen.

Sie spiegeln in angemessener Weise die aktuelle Marktlage wieder (BBSR, 2014).

Datensätze wie der vorliegende sagen jedoch nichts darüber aus, ob die Wohnungen nach der Veröffentlichung im Immobilienportal tatsächlich vermietet wurden.

Angebotsmieten Einflussfaktoren neben Lage (für Sekundärvariablenauswahl)

RF PCA Schnittmenge mit Potsdam 22 Faktoren

Baujahr Baujahr Baujahr

Einbauküche Etage Zimmeranzahl

Wohnfläche Objektalter Einbauküche

Zimmeranzahl Verweildauer der Anzeige Etage

Etage Wohnfläche Wohnfläche

Räumliche Statistik und Kartendarstellung von Portalen

Immobilienportal

(Räumliche) Statistik Kartendarstellung von Immobilienpreisen

Zillow.com Hedonisches Regressionsmodell: Zillow Price Estimate.

Pin Map der Angebotspreise. Listendarstellung geschätzter Preise

Trulia.com Hedonisches Regressionsmodell: Monitoring von Miet- und Kaufpreisen

Pin map von Miet- und Kaufpreisen

Homes.yahoo.com

Keine Angaben Pin map von Miet- und Kaufpreisen

Immobilienscout24.de

Hedonisches Regressionsmodell: IMX Mapping geschätzter Miet- und Kaupreise gemappt auf willkürliche geographischen Bezugseinheit

Immowelt.de Keine Angaben Pin Map

Immonet.de Keine Angaben Keine Kartenansicht

Homegate.ch Hedonisches Regressionsmodell: Mietindex

Pin Map

Programmiertechnische Umsetzungen

R Bibliotheken: raster / spded / gstat / RandomForest

Beispiel Variogrammanpassung in R: fit.variogram(v, vgm(1, "Sph", 800, 1))

#Dieser Befehl fitted das über vgm ausgewählte parametrische Modell an die Daten.

5000 Kombinatonen im Loop

Visuelle Variogrammanpassung mit geoR

v.eye <-eyefit(variog(as.geodata(Q1_2012.mp["Kalt_qm"], max.dist = 1500) ))

ve.fit <- as.vgm.variomodel(v.eye[[1]])

#Befehl macht wandelt das Variogramm wieder für die Nutzung in gstat Objekt um.

Quantitative Datenbasis Angebotsdichte

Mietpreisbremse

Ergebnisse der Arbeit können zum Mietpreismonitoring dienen → um die progonostizierte „dämpfende“ Wirkung des Preises zu diagnostizieren.

Qualifizierte Mietspiegel sind nicht räumlich und einheitliche Erfassung fehlt und Teilnahme am Mietspiegel ist nicht verpflichtend.

Map APIs

Unter Webkarte wird in dieser Arbeit eine webbasierte, graphische Repräsentierung eines Datenmodells verstanden.

Präsentationskarten, in denen ein digitaler Datenbestand durch Attribuierung mit graphischen Merkmalen sichtbar gemacht wird.

Map APIs sind JavaScript-Bibliotheken, die Funktionalitäten zur Interaktion mit der Kartengrafik bereitstellen und die Integration von Karteninhalten von Kartenservern (meist Tiled Map Services) ermöglichen.

„Tiled Map Serving“ beruht dabei auf zwei Lösungsansätzen der webbasierten Kartenbereitstellung (Peterson, 2014): Ajax und Map Tiles

Gebäudescharfe Mietpreisschätzdarstellung

Thematische 2,5-dimensionale Darstellung

Cloudbasierte Geovisualisierung

CartoDB, Geoserver und Mapbox CartoDB wird als Software as a Service (Saas) angeboten und ermöglicht

dadurch Webmapping sowie die Nutzung von GIS-Werkzeugen im Webbrowser. CartoDB folgt dem Gedanken des Open Source Stack und schaltet unterschiedliche freie, quelloffene Komponenten (z.B. PostGIS, PostSQL, Mapnik) zu einer cloudbasierten Plattform zusammen

Geoserver ist ein Java basierter OGC-(Open Geospatial Consortium-) konformer, freier und quelloffener „Kartenserver“, welcher Web Map Service (WMS), Web Coverage Service (WCS), Web Feature Service (WFS, auch transaktional) und Web Processing Service (WPS) bereitstellen kann (Geoserver, 2015).

Mapbox (2015) ist ein proprietärer Anbieter eines TMS-Dienstes. Mapbox erfüllt die Anforderungen an Quelloffenheit nicht, da der Stack zwar wie CartoDB auf freien Komponenten aufsetzt, jedoch nur proprietär, über Hostingpakete, genutzt werden kann.

Gridmapping

Das Grid-Mapping wird als Lösungsansatz seit mehreren Jahren von unterschiedlichen nationalen und internationalen Behörden vor allem aus dem Statistikbereich verfolgt.

Vorreiter für Ansätze des Grid-Mapping ist insbesondere das U.S. Zensus Büro, welches schon in den frühen 1990er Jahren die irregulär geformten statistischen Blöcke (US Census Blocks) in ein nationales Grid umwandelte.

Die „Statistik Austria“(Statistics Austria, 2013) entwickelte ein österreichweites Grid mit unterschiedlichen Maschenweiten (100m, 250m, 500m, 1.000m, 2.000m, 5.000m und10.000m) zur Darstellung von Bevölkerungs-, Gebäude- und Arbeitsmarktstatistiken

Umsetzungsoptionen 1 + 2

Umsetzungsoptionen 3

Technologische Recherche

Insgesamt wurden anhand dieser Matrix 32 Immobilienportale nach jeweils 14 Kriterien untersucht.

Kategorie 1: Immobilienportale ohne Angebots- und Immobilienpreiskarten. Portale dieser Kategorie wurden nicht weiter berücksichtigt

Kategorie 2: Immobilienportale mit Angebotskarten und ohne Immobilienpreiskarten

Kategorie 3: Immobilienportale mit Angebotskarten und auf Basis der hedonischen Regression erstellter Immobilienpreiskarten

Technologische Recherche

Räumliche Optimierung

Promotion diskutiert den Begriff Optimierung im Rahmen der Forschung des Promotionsprojektes

Im Rahmen dieser Arbeit wird der Begriff der Optimierung als eine „heuristische“ Optimierung angesehen

Eine „optimale“ Lösung für die raumanalytischen Unzulänglichkeiten kann nicht angeboten werden, sondern es können nur Lösungswege eingebettet in Anwendungsfälle aufgezeigt werden

Es handelt sich also in dieser Arbeit um eine Optimierung im Sinne einer geoinformatischen, heuristischen Prozessoptimierung der räumlichen Prozesse von Immobilienportalen

Prozess

Diese Arbeit bedient sich einer aus dem Geschäftsumfeld kommenden Terminologie, die einen Prozess als eine Abfolge von Tätigkeiten mit einem Start und einem Endpunkt sieht (Geoinformatik Lexikon, 2006).

Anwendungsfalldiagramm Raumanalyse

Anwendungsfalldiagramm Geovisualisierung

Real Estate Research / Forschung eines Portals

1. Operationalisierung

Konzept / Use cases

Status Quo & Optimierungspotentiale

Implementierung

Ergebnistransfer vonForschungs- in Operationelles

Umfeld

Räumliche Autokorrelation am Beispiel Morans I

Disputationsvortrag Schernthanner: Analyse und Visualisierung von Mietpreisdaten für...

Science

Möglichkeiten der Visualisierung DemoKoffer. 1. Anforderungen Visualisierung für –Größenvergleich? –Qualitätsvergleich? –Kategorisierung! Zielgruppe:

Visualisierung Polen.pptx

Informationsvisualisierung - INFODATA-eDepotfiz1.fh-potsdam.de/volltext/fhpotsdam/03021.pdf · 2 1 Visualisierung und Informationsvisualisierung Was ist Visualisierung? Visualisierung

Überwachung, Analyse und Diagnose. OnCare.Health Hydro...Online-Visualisierung und -Analyse OnCare.Health Hydro – die Vorteile eines Online-Überwachungssystems OnCare.Health Hydro

Vorlesung Software-Reengineering Wintersemester … · Statische Programm-Visualisierung Dynamische Programm-Visualisierung Visualisierung von Metriken ... (Univ. Bremen) Vorlesung

Aufbereitung, Analyse und Visualisierung von ... · Die Arbeitsgruppe „Bathymetrie und Geodäsie“ des Alfred-Wegener-Instituts für Polar- und Meeresforschung arbeitet zurzeit

Splunk - Echtzeit-Analyse und Visualisierung von ... · Splunk - Echtzeit-Analyse und Visualisierung von Maschinendaten. Lerninhalte Die Dozenten geben einen Überblick über die

KATRIN DROPCZYNSKI MARCUS NÜMANN LARS ZUMBANSEN ... · zelnen Personen lassen sich mithilfe filmi-scher Analyse und deren Visualisierung gut nutzen, um die Ursachen bzw. Grund-lagen

Räumliche Analyse & Visualisierung von Mietpreisdaten für Immobilienportale

GDV Proseminar “Visualisierung in der Bioinformatik” Genom – Visualisierung FfM., den 05.06.2003

Gerhard Lock (2006) Aspekte der Visualisierung und graphischen Analyse von Musik. Die fünfte Sinfonie von Lepo Sumera Musical Work: Boundaries and Interpretations,

EDV-GESTÜTZTE ANALYSE UND VISUALISIERUNG · PDF file3.3. Kartographische ... „SCRIPT“ (Programm): AVENUE-Programm, ... ArcView oder zur Erfüllung von Funktionen dient, die in

Visualisierung bibliographischer Daten

Dreidimensionale Visualisierung und morphologische Analyse der …digdok.bib.thm.de/volltexte/2004/3095/pdf/diplom_denhard... · 2012-07-16 · Dreidimensionale Visualisierung und

27.11.20001 Darstellung, Visualisierung und Analyse des Geländes TINS und andere Repräsentationsmodelle

Visualisierung im Unterricht

Visualisierung von Inhalten

Grafische Benutzeroberfläche zur Analyse von ... · Kurzfassung In dieser Bachelorarbeit wurde in Kooperation mit der itestra GmbH eine Eclipse Plug-in zur Visualisierung von Abhängigkeitsgraphen

Visualisierung semantischer Daten

Kristin Böse und Julian Jachmann Kontext – Rekonstruktion – Vermittlung Praxisseminar zur Analyse und Visualisierung von mittelalterlichen Kirchenausstattungen