Upload
harald-schernthanner
View
908
Download
0
Embed Size (px)
Citation preview
1/23
Disputation
Untersuchungen zur räumlichen
Analyse und Visualisierung von
Mietpreisdaten für Immobilienportale
Harald Schernthanner/Geoinformatik/UP
2/23
Inhalt1. Forschungsrahmen 2. Status Quo 3. Methoden4. Quantitative Datenbasis5. (Teil-)Implementierungen 6. Ergebnisse
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
3/23
Quelle: Trulia
1. 1900 US$ Miete in ganz Manhatten?
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse Quelle: Trulia
4/23
1. Zehlendorf 9,27 €/m²|Potsdams Innenstadt 8-10 €/m²?
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
Quelle: Wirtschaftswoche
Quelle: Immoblienscout 24
Quelle: Immonet
5/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
6/23
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?
?Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
7/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
8/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
9/23
2. Status Quo Prozesskette von Immoblienportalen
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
Quelle: Immonet
Research ?? Mittelwert / Median Hedonische Regression
10/23
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.
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
11/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
12/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
13/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
14/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
15/23
5.1(Teil-)Implementierung Ordinary Kriging
Das einfachste Kriging Verfahren Ordinary Kriging war allen komplexeren und dem hedonischen Verfahren überlegen
30 ha Infas GeodatenGeometrie
50m Zellen Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
16/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
17/23
5.2 (Teil-)Implementierung Grid Maps
Mietpreiskarten – Prototyp Zoomstufe 13 /1: 35.000 Filterung nach Urban Atlas
Mietpreiskarte Status Quo des Portals Immobilienscout 24 Zoomstufe 13 1: 36.000
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
18/23
5.2 (Teil-)Implementierung Grid Maps
Mietpreiskarte IS 24 Zoomstufe 15 1: 14.400Infas Geodaten Neighboorhood
Mietpreiskarten – Prototyp: Zoomstufe 16 1: 13.000
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
19/23
5.2 (Teil-)Implementierung Grid Maps
Mietpreiskarten: Prototyp und Status Quo: Zoomstufe 18 & 18 1: 4500
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
20/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
21/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
22/23
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
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
23/23
Vielen Dank für Ihre Aufmerksamkeit!
Fragen ?
24/23
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
25/23
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
26/23
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
27/23
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
28/23
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
29/23
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
30/23
Künstliche Neuronale Netzwerke
Quelle: RWTH Achen
31/23
©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
32/23
©schernthanner·ifg·uni·potsdam
Hedonische Regression Log Variante
Funktioneller Zusammenhang zwischen zwischen Immobilienpreis p und und Immobilieneigenschaften x
= Konstante der Regression= Störterm
Zu schätzender logarithmischer
Preis
Unabhängigen Variablen
Störterm
Regressions-konstante
33/23
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
34/23
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.
35/23
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)
36/23
}Kriging / Variographie
37/23
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
38/23
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
39/23
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.
40/23
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,
IS24
41/23
©schernthanner·ifg·uni·potsdam
Experteninterviews Themen- und Problemfelder
Immobilienpreis-karten
Immobilienpreismodellierung Daten Angebotskarten
Fachfremd verwendete Grenzen
Fachfremd verwendete Grenzen
Hedonische Regressionsmodelle
Datenschutz
Pin/Marker Problematik
Legende
Datenpräprozessierung DatenHomogenisier-ung
Zusätzliche Informationsebe-nen
Datendifferenzierung
Dichteschwankungen Open Data
Indikatoren basierte, distanzabhängige
Suche
Visualisierung der Distanzen
Lagemodellierung
Ableitung Bestandspreis
42/23
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.
43/23
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
44/23
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
45/23
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.
46/23
Quantitative Datenbasis Angebotsdichte
47/23
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.
48/23
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
49/23
Gebäudescharfe Mietpreisschätzdarstellung
50/23
Thematische 2,5-dimensionale Darstellung
51/23
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.
52/23
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
53/23
Umsetzungsoptionen 1 + 2
54/23
Umsetzungsoptionen 3
55/23
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
56/23
Technologische Recherche
57/23
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
58/23
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).
59/23
Anwendungsfalldiagramm Raumanalyse
60/23
©schernthanner·ifg·uni·potsdam
Anwendungsfalldiagramm Geovisualisierung
61/23
Real Estate Research / Forschung eines Portals
62/23
1. Operationalisierung
Konzept / Use cases
Status Quo & Optimierungspotentiale
Implementierung
Ergebnistransfer vonForschungs- in Operationelles
Umfeld
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse
63/23
Räumliche Autokorrelation am Beispiel Morans I
Forschungsrahmen | Status Quo | Methoden | Quantitative Datenbasis |(Teil-)Implementierungen | Ergebnisse