Unser Toolkit – Teil 4: Räumliche Analyse

Die räumliche Analyse beschreibt Prozesse, bei denen man Probleme geografisch modelliert, Ergebnisse durch Computerverarbeitung ableitet und diese Ergebnisse dann untersucht und überprüft. Diese Art der Analyse hat sich als äußerst effektiv erwiesen, um die  geografische Eignung bestimmter Standorte für die jeweiligen Zwecke festzustellen, um Ergebnisse abzuschätzen und vorherzusagen. Außerdem ermöglicht sie es, Veränderungen zu interpretieren und zu verstehen oder wichtige Muster aufzuspüren, die weitere Informationen enthalten.

Die räumliche Analyse setzt sich aus verschiedenen Bausteinen zusammen:

Spatial Analysis:

1. Spatial Explainability
2. Spatial Clustering
3. Spatial Modelling
   • Regression
   • Classification
   • Pattern Recognition

Im Folgenden betrachten wir die einzelnen Bestandteile der räumlichen Analyse.

Spatial Explainability – Räumliche Erklärbarkeit

Bei Machine Learning ist für die menschlichen Nutzenden nicht auf den ersten Blick ersichtlich, warum das Modell eine gewisse Entscheidung getroffen hat. Der Prozess basiert nicht mehr nur auf menschengemachten Codes, sondern entwickelt sich aus den Daten selbst heraus. Das macht es schwieriger, das Ergebnis nachzuvollziehen. Explainability bedeutet, die Entscheidung für den Menschen greifbar zu machen. In diesem Schritt beschreiben wir den Einfluss, den die definierten Merkmale haben. 

Wir haben beispielsweise ein Modell trainiert, das Mietpreise prognostiziert. Die Nutzenden sind primär an den Ergebnissen interessiert. Sie möchten aber auch wissen, wie die berechneten Mietpreise zustande kommen. Bei Spatial Explainability werden die Eigenschaften betrachtet, die für das Modell relevant sind, um Preise vorherzusagen. Ist also Merkmal X in der Ausprägung Y vorhanden, wird der Preis hoch bzw. niedrig sein.

Anschaulicher beschrieben lassen sich also Aussagen treffen, wie

• Je näher die Wohnung bei einer Mülldeponie ist, desto niedriger ist ihr Preis.
• Je näher die Wohnung an der Innenstadt ist, desto höher ist ihr Preis.

Spatial Clustering

Clustering beschreibt den Vorgang, Daten oder Objekte in Gruppen, sogenannten “Clustern”, zusammenzufassen. Die Inhalte innerhalb der Cluster sind sich sehr ähnlich, wohingegen die verschiedenen Cluster möglichst wenig gemeinsam haben sollen. Damit lassen sich verallgemeinernde Aussagen treffen und Verbindungen aufdecken. Spatial Clustering macht aus, dass man nach räumlichen Gemeinsamkeiten sucht und dementsprechend Cluster erstellt. Ein Cluster könnte beispielsweise Gebäude beinhalten, die vor 1970 gebaut wurden und einen Wärmebedarf über 40.000 kWh pro Jahr haben.

Spatial Modelling

Die räumliche Modellierung ist ein analytischer Prozess, der in Verbindung mit einem geographischen Informationssystem (GIS) durchgeführt wird. Das Ziel ist es, grundlegende Prozesse und Eigenschaften für einen gegebenen Satz von räumlichen Merkmalen zu beschreiben. Räumliche Objekte oder Phänomene, die in der realen Welt auftreten, werden untersucht und simuliert, um somit die Problemlösung und Planung zu erleichtern.

• Regression

Ziel bei einer Regressionsanalyse ist es, anhand einer unabhängigen Variable eine abhängige zu erklären. Die Regression (und die Vorhersage im Allgemeinen) hilft uns zu untersuchen, wie räumliche Strukturen uns dabei unterstützen können, unsere Daten zu analysieren und zu verstehen.  Eine Regression ist die Vorhersage eines kontinuierlichen Wertes wie zum Beispiel die erwartete Auslastung einer Elektroladesäule.

• Klassifikation

Bei der Klassifikation geht es um die Bestimmung von Klassen. Für uns relevante Klassifikationen sind beispielsweise: 

• • Der Straßenabschnitt ist gut oder schlecht geeignet, um das Fernwärmenetz dort auszubauen.
  • Der Standort ist gut oder schlecht geeignet, um eine neue Ladesäule zu installieren. 
    
    

• Pattern Recognition – Das Erkennen von Mustern

Pattern Recognition meint die automatische Erkennung von Mustern und Regelmäßigkeiten in Daten. Sie findet Anwendung in der statistischen Daten- und Bildanalyse, Bioinformatik, Computergrafik und dem maschinellen Lernen. Mustererkennung hat ihren Ursprung in der Statistik und im Ingenieurwesen. Einige moderne Ansätze zur Mustererkennung umfassen die Verwendung maschinellen Lernens, was durch die zunehmende Verfügbarkeit von Daten und die gestiegene Rechenleistung möglich ist. Bei unserer Potenzialanalyse für Ladeinfrastruktur wird beispielsweise untersucht, welche Muster dafür sorgen, dass eine Ladesäule eine hohe Auslastung hat. 

Wenn Sie noch tiefer in die Thematik einsteigen wollen, schauen Sie doch das Webinar von unserem Mitgründer und CTO Niclas Goby an.