CH719223A1 - Verfahren und System zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten. - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten. Das Verfahren umfasst die folgenden Schritte: Einlesen von Lokationsdaten, die zumindest erste Lokationsdaten und zweite Lokationsdaten umfassen (S1); Vorverarbeitung der ersten Lokationsdaten (S2); Vorverarbeitung der zweiten Lokationsdaten (S2); Überlagerung der vorverarbeiteten ersten Lokationsdaten und der vorverarbeiteten zweiten Lokationsdaten mittels Schichtung zu geschichteten Lokationsdaten (S3); Differenzierung und Einteilung der geschichteten Lokationsdaten mittels Mustererkennung zu regionalisierten Lokationsdaten (S4); Analysieren der regionalisierten Lokationsdaten mittels eines Analyse-Moduls (S5); und Erzeugen von Befehlsdaten als Reaktion auf das Analysieren der regionalisierten Lokationsdaten (S6), wobei die Befehlsdaten geographische Referenzdaten umfassen, die mit einer Zeitkomponente gekoppelt sind, und wobei die geographischen Referenzdaten auf einem Ausgabegerät mit Display durch eine interaktive bewegbare Zeit- und Raumdarstellung ausgegeben werden (S7).

Description

[0001] Die vorliegende Erfindung betrifft die Erfassung, Verarbeitung und Darstellung von Lokationsdaten. Sie betrifft weiter ein Verfahren sowie ein System, alles gemäss den Oberbegriffen der unabhängigen Patentansprüche.

Technologischer Hintergrund

[0002] Räumliche Informationssysteme haben seit ihrer Entstehung die Möglichkeiten der geografischen Datendarstellung erheblich erweitert und die visuelle Erforschung verschiedenster georeferenzierter Parameter ermöglicht. Daten aus einer Vielzahl von Quellen können in einer visuellen Darstellung, bzw. einer mehrschichtigen Karte, kombiniert werden. Hierzu gehören Datentypen wie Karten, Vektordaten, Vermessungen, Bilder, Gebäude, Verkehrsdaten und Vieles mehr. Die visuelle Datendarstellung kann interaktiv gestaltet werden, sodass die Daten innerhalb des räumlichen Informationssystems von Benutzern manipuliert werden können.

[0003] Beispielsweise in der Immobilien-Branche ist das Potenzial für diese Art von neuen räumlichen Informationstechnologien gross. Die raumzeitlichen Entwicklungen verschiedener Standorte kann genutzt werden, um Prognosen über die Zukunft dieser Standorte zu geben. Zum Beispiel sind Ansätze zur Identifikation von bestgeeigneten Mietobjekten für einen Mieter oder Geschäft in einem Standort bekannt, eine derartige Identifikation erfolgt üblicherweise durch lage-, nachfrage- oder modellbasierte Algorithmen. Erstere erfordert das Definieren von Lageparametern der Datenmenge, wobei die Lageparameter-Informationen oft nicht zur vollständigen Charakterisierung der Daten ausreichen, da sie keine Unterschiede der Werte und deren Verteilung zulassen. Nachfragebasierte Algorithmen dagegen funktionieren anhand von Nutzerbewegungsdaten, die in der Umgebung eines Point-of-Interest (POI) gesammelt werden und daraufhin analysiert werden können. Letztlich sind modellbasierte Algorithmen auf Referenzmodelle angewiesen unter der Annahme, dass sich ähnliche Standorte ähnlich entwickeln, wobei dies in der Realität jedoch häufig nicht der Fall ist.

[0004] Das herkömmliche Vorgehen bei einer Standortanalyse richtet sich nach dem Nachfragemarkt. Eine in der Immobilienwirtschaft wenig beachtete Alternative zu den oben erwähnten Standort- und Objektbewertungen ist die aus der Netzwerktheorie bekannte Analyse von wirtschaftlichen Ökosystemen. Gemäss lansiti und Levin (2004) hängt der wirtschaftliche Erfolg einer einzelnen Firma ab vom wirtschaftlichen Netzwerk, in dem er sich befindet und umgekehrt. In einem lokalen Kontext heisst dies, dass Struktur und Dynamik lokaler Geschäftsmixe entscheidend sind für den wirtschaftlichen Erfolg sowohl für die einzelne Firma wie für das lokale Kollektiv aller Firmen. Überträgt man die Erkenntnisse von lansiti und Levien auf den Markt für Gewerbemieten, dann sind Geschäftsökosysteme als Ganzes entscheidender für die Entwicklung eines Standortes als die jeweiligen Mieter bzw. Geschäfte innerhalb des Standortes. Netzwerkhierarchien, wie zum Beispiel die Anzahl Ankermieter in einem Gebiet oder die Anzahl Präsenz- und Absenzgeschäfte prägen ein Geschäftsökosystem und spielen daher in der Mietobjekt- bzw. Mietersuche eine wichtige Rolle. Gemäss lansiti und Levien sind es Geschäftsökosysteme, die Passantenströme erzeugen, Verkehrserschliessungen erzeugen, den Erfolg eines Geschäfts bestimmen usw. und nicht umgekehrt wie in den meisten heutigen Lösungsansätzen angenommen. Die heutigen Lösungen sind lediglich mit der Standortwahl für einen Geschäfts- bzw. Mietertyp beschäftigt, sodass ein eindeutiger Bedarf nach technischen Lösungen besteht, die das Problem der optimierten Mieterwahl für einen bestimmten Standort ermöglichen und dadurch eine Synergiewirkung innerhalb eines Standortes bewirken. Ein derartiger netzwerkorientierter Vermietungs-Ansatz strebt einen optimalen Fit des Mieters mit dem lokalen Geschäftsmix an. Ein grosser Vorteil eines netzwerkorientierten Vorgehens ist zudem, dass sich aus der Analyse der Strukturdynamik von Geschäftsökosystemen deren wirtschaftliche Entwicklung prognostizieren lassen. Dazu ist die Zeitdimension unerlässlich um prädiktive Aussagen über die Stabilität, Instabilität oder Zukunftsaussichten eines Geschäfts- bzw. Standortökosystems machen zu können.

[0005] Die Lösungen aus dem Stand der Technik beruhen auf Big Data, sog. grossen Datenmengen, die mit herkömmlichen Verarbeitungsmethoden nur schwer auswertbar sind. In den genannten Lösungsansätzen werden aus Big Data Bedingungen erhoben, welche zum Teil eine sehr hohe Zahl an Parametern erfordern, um zuverlässige aufschlussreiche Angaben ausgeben zu können. Aufgrund der hohen Zahl an Parametern und grossen, oft unstrukturierten Datenmengen, sind die bisherigen Lösungen mit einem äusserst grossen rechnerischen Aufwand verbunden. Darüber hinaus verfügen diese Lösungen aufgrund der hohen Parameter-/ Variablenzahl über eine begrenzte Aussagekraft und sind nur in seltenen Fällen auf eine spezifische Variable zurückzuführen.

[0006] Eine recheneffizientere Alternative zu unstrukturierten Big Data sind Smart Data, bzw. intelligente Datenmengen. Diese Art von intelligenten Datenmengen ist bereits für den Verwendungszweck entsprechend filtriert und vorprozessiert, sodass deutlich effizientere Abläufe der Algorithmen möglich sind und eine transparente Datenlage zustande kommt, welche den jeweiligen Datenschutzrechten entgegenkommt. Für eine Skalierung der Anwendung wäre es zudem vorteilhaft, „Sparse Data“ zu verwenden, d.h. ein Minimum an Daten aus öffentlichen und international einheitlich geführten Quellen. Diese können zum Beispiel Firmendaten, die nach NOGA ISIC, PRODCOM, CPC, NAICS und Weiteren rubriziert sind und für die sogenannten Umsteigeschlüssel verfügbar sind. Derartige „Sparse Data“ können aus minimalen Datenmengen aufschlussreiche Resultate liefern.

[0007] Aufgrund der grossen Datenmengen und Analysekomplexität der Lösungen aus dem Stand der Technik sind Nutzer der Lösungsanwendungen von Datenlieferanten und Datenanalysten abhängig, sodass entsprechende Lösungen lediglich auf grossen Systemen mit erheblicher Rechenkraft und als SaaS-Lösung („Software as a Service“) möglich sind. Allfällige Aktualisierungen sind ebenfalls mit einem erheblichen Rechenaufwand verbunden, sodass eine geografische bzw. räumliche Skalierung behindert wird. Ferner benötigen die herkömmlichen lage-, nachfrage- und referenzbasierten Daten-Lösungen aus dem Stand der Technik Un- und / oder Supervised Learning-Ansätze zur Mustererkennung in den Standortdaten. Ein derartiges Vorgehen zur Musterkennung ist auch rechen- sowie kostenintensiv.

[0008] Insbesondere datenschutzrechtlich betrachtet bewegen sich viele der Lösungen aus dem Stand der Technik in einem Graubereich, deren gewerblich anwendbare Zukunft ist daher nicht gewährleistet. Nutzerbewegungsdaten sowie weitere persönliche Informationen werden über verschiedene Sensoren oder Detektoren mittels Bluetooth, Wi-Fi und/ oder GPS gesammelt, oft ohne die ausdrückliche Zustimmung der jeweiligen Benutzer. Auch Suchabonnements und -anfragen auf Webseiten werden von einigen nachfragebasierten Algorithmen abgefangen und für weitere Zwecke verwendet. Datenschutzgesetze unterscheiden sich von Land zu Land, daher ist die Anwendung dieser Lösungen in einem grenzüberschreitenden Szenario häufig nicht möglich.

[0009] Die Verfahren aus dem Stand der Technik sind aufgrund ihrer unübersichtlichen Datenlage und dem zunehmenden Rechenaufwand nicht für rasch erfassbare und einfach verständliche Standortübersichten und Bewertungen geeignet. Eine Visualisierung potenzieller Entitäten, wie z.B. Mieter einer Branche, deren Synergiewirkung und den Netzwerkeffekten sind in dem Stand der Technik ebenfalls nicht bekannt. Aus der obigen Beschreibung des technologischen Hintergrunds geht hervor, dass ein Bedarf nach neuen Lösungen besteht, die den bereits erwähnten Nachteilen aus dem Stand der Technik entgegenwirken und auf einem Computersystem im privaten oder öffentlichen Rahmen, als Standalone- und/oder als SaaS-Lösung ausführbar sind. Diese Lösungen sollen recheneffizient, skalierbar, portierbar, datenschutzkonform und kostenextensiv sein. Diese Bedingungen erfordern ein Minimum an Daten sowie Abfolgen, die mit möglichst wenigen Baryzentren und wenigen Iterationen auskommen.

[0010] US 8,209,121 B1 beschreibt Systeme und Verfahren zum Verbessern der Genauigkeit von Standortdaten, wie beispielsweise GPS-Daten. In einer Ausführungsform passt die Erfindung Koordinaten durch Empfangen einer Folge von Koordinaten entsprechend einer Vielzahl von Standorten an und identifiziert in einer Kartendatenbank für jeden Standort Polylinienmerkmale innerhalb einer Entfernung von den Koordinaten des Standortes. Daraufhin werden Emissionswahrscheinlichkeiten und Übergangswahrscheinlichkeiten für die Polylinienmerkmale berechnet. Diese Emissionswahrscheinlichkeiten und Übergangswahrscheinlichkeiten werden anschliessend verwendet um die Koordinaten für die Vielzahl von Standorten anzupassen, sodass die angepassten Koordinaten Polylinienmerkmalen entsprechen, die zu einer Folge von Polylinienmerkmalen gehören, die basierend auf den Emissionswahrscheinlichkeiten und Übergangswahrscheinlichkeiten ausgewählt wurden, um die wahrscheinlichste Folge von Polylinienmerkmalen zu sein, die der Reihenfolge der Koordinaten entsprechen. Nebst der Verbesserung der Genauigkeit ermöglichen Ausführungsformen der Erfindung neuartige raumbezogene Anwendungen und Benutzerschnittstellen durch das Hinzufügen grosser Mengen an Metainformationen zu einem Standort. Das Anpassen der Standortdaten für die Vielzahl von Standorten erfolgt durch einen PoseOptimierer, auch PoseOptimizer gennant, und ein Hidden Markov Model (HMM).

[0011] US 8,209,121 B1 offenbart Systeme und Verfahren zum Verbessern der Genauigkeit von Standortdaten, jedoch scheitert es dabei zu erläutern, wie eine verbesserte raumzeitliche Aufschlüsselung und HMM Algorithmen benutzt werden können, um die raumzeitliche Entwicklung von Standorten in einer interaktiven bewegbaren Raum- und Zeitdarstellung zu ermitteln und daraus aufschlussreiche Einblicke und Prognosen über die Zukunft eines Standortes bereitzustellen.

[0012] Aus dem Stand der Technik ist EP 2 070 006 B1 bekannt, es beschreibt eine Methode für das Bereitstellen eines Mappings/ einer Kartierung, einer Datenverwaltung sowie Datenanalyse. Das Erstellen der Karte wird anhand einer Gaussschen-Aggregation und gewünschten Farbkartenparametern initiiert. Daraufhin werden die Daten, welche in der Karte abgebildet werden sollen, geladen, gerastert und anschliessend in einen vom Benutzer wählbaren Massstab konvertiert. Eine Faltung wird auf den Daten durchgeführt und die Resultate auf eine Farbrampe angewendet, sodass die Karte auf der Grundlage der Farbrampe und den Faltungsresultaten erstellt wird.

[0013] Die EP 2 070 006 B1 ist ein Beispiel eines lagebasierten Algorithmus, daher verfügt diese Lösung über mindestens die bereits erwähnten Nachteile. Zum Beispiel ist es erforderlich, dass der Benutzer Daten mit den Attributen, deren Zusammenhänge veranschaulicht werden sollen, hochlädt oder selbst definiert, wobei keinerlei Prognosen über die zeitliche Entwicklung dieser Attribute erstellt werden können ohne Daten über die gesamte Zeitperiode von Interesse bereitzustellen.

Darstellung der Erfindung

[0014] Die folgende Beschreibung der vorteilhaften Ausführungsformen der Erfindung soll die Erfindung nicht auf einzelne vorteilhafte Ausführungsformen beschränken, sondern dient dazu dem Fachmann die Möglichkeit geben, die Erfindung auszuführen und zu verwenden.

[0015] Eine Aufgabe der Erfindung besteht darin, mindestens einige der Nachteile des Standes der Technik zu vermeiden und eine interaktive bewegbare Zeit- und Raumdarstellung georeferenzierter Lokationsdaten zu ermöglichen. Insbesondere soll ein Verfahren bereitgestellt werden zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten.

[0016] Diese und weitere Aufgaben werden durch die Merkmale der unabhängigen Patentansprüche gelöst. Weitere vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen gegeben.

[0017] Ein Aspekt der vorliegenden Erfindung betrifft ein Verfahren zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten, wobei das Verfahren ein Einlesen von Lokationsdaten, die zumindest erste Lokationsdaten und zweite Lokationsdaten umfassen, eine Vorverarbeitung der ersten Lokationsdaten sowie eine Vorverarbeitung der zweiten Lokationsdaten umfasst. Die vorverarbeiteten ersten Lokationsdaten und vorverarbeiteten zweiten Lokationsdaten werden mittels Schichtung zu geschichteten Lokationsdaten überlagert und anschliessend durch Differenzierung und Einteilung der geschichteten Lokationsdaten mittels Mustererkennung zu regionalisierten Lokationsdaten umgewandelt. Das Analysieren der regionalisierten Lokationsdaten erfolgt mittels eines Analyse-Moduls, woraufhin Befehlsdaten als Reaktion auf das Analysieren der regionalisierten Lokationsdaten erzeugt werden, wobei die Befehlsdaten geographische Referenzdaten umfassen, die mit einer Zeitkomponente gekoppelt sind, und wobei die geographischen Referenzdaten auf einem Ausgabegerät mit Display durch eine interaktive bewegbare Zeit- und Raumdarstellung ausgegeben werden.

[0018] Die ersten und/oder zweiten Lokationsdaten sind mit mindestens einem Attribut assoziiert und das Einlesen der ersten und/oder zweiten Lokationsdaten umfasst ferner ein Erstellen von Listen aus mindestens einer Datenbank. Die Lokationsdaten können mit einer Vielzahl von Attributen assoziiert sein, wobei die Lokationsdaten bereits beim Einlesen mit mindestens einem Attribut assoziiert sind oder vom Benutzer nach Einlesen spezifiziert werden können. Die Listen können aus einer Vielzahl von Datenbanken erstellt werden, in einer Ausführung der vorliegenden Erfindung werden Geschäftslisten aus beispielsweise Adress-, Branchen- und Handelsamtsverzeichnissen und/ oder Handelsregistern erstellt. Daraufhin werden Listen von Points-of-Interest (POI) aus Datenbanken erstellt. In einer möglichen Ausführung können geschäftsrelevante POI-Listen wie zum Beispiel Parkplätze, Haltestellen und/oder Ähnliches aus GIS-Repositorien, Open Street Maps (OSM-Karten) oder Ähnlichem erstellt werden. Alternativ können in einer weiteren Ausführung auch Liegenschaftslisten aus Datenbanken erstellt werden. Aus dem vorstehenden ergibt sich, dass die vorliegende Erfindung aus einer minimalen Konfiguration aus Geschäftsadressverzeichnissen und nationalen Firmenregistern ein Datenmodell erstellen kann. Die Datenbanken können global unterhalten werden, enthalten vollständige, einheitliche, nicht-sensible Unternehmensdaten und können in den meisten Ländern entweder über eine Datenschnittstelle (API), über Look-ups (Scraping) oder über eine Bereitstellung der Daten (CD, csv) bezogen werden.

[0019] Die Vorverarbeitung der ersten und der zweiten Lokationsdaten umfasst eine Geokodierung und/oder Zeitkodierung der Lokationsdaten sowie eine anschliessende Zuweisung der raumzeitlich kodierten Lokationsdaten zu vordefinierten Gruppen. Die Geokodierung führt dazu, dass die Lokationsdaten nach der Zeit- und Geokodierung zeitlich befristete x-, y-Koordinaten besitzen. Nach der Zeit- und Geokodierung werden die Lokationsdaten vordefinierten Gruppen zugewiesen. Hierbei werden die ersten Lokationsdaten, welche in einer möglichen Ausführung Listen enthalten, vordefinierten Gruppen zugewiesen, wobei die Listen Geschäftslisten und die Gruppen Geschäftsrubriken sein können, zum Beispiel die Geschäftsrubriken gemäss NACE („nomenclature statistique des activites economiques dans la Communaute europeenne“) oder anderer beliebiger Klassifizierung. In diesem Fall, beinhalten die mindestens zweiten Lokationsdaten POI-Listen und/oder Objektdaten.

[0020] Die Überlagerung der vorverarbeiteten mindestens ersten und zweiten Lokationsdaten mittels Schichtung beinhaltet das Erstellen einer Kartenebene, einer Punkteebene und einer Filterebene. Die Kartenebene dient hier als Orientierungsebene ohne analytische Bedeutung, wobei die Punkteebene die Koordinaten der jeweiligen Standorte und Entitäten umfasst. In einer möglichen Ausführung zeigt die Punkteebene Geschäftslokalitäten und/ oder geschäftswichtige Einrichtungen an, wie zum Beispiel Parkplätze, Haltestellen, Verkehrskreuzungen und Weiteres. In einem weiteren Schritt werden einzelne Standorte bzw. Entitäten auf der Punkteebene durch eine sogenannte Rasterebene ergänzt. Auf dieser sind Standorte bzw. Entitäten miteinander verknüpft auf Basis von vorbestimmten Merkmalen. Diese Merkmale sind ein einer möglichen Ausführung Transaktionsmerkmale, wobei die Entitäten, beispielsweise Geschäfte, auf der Rasterebene durch geografische Barrieren getrennt, jedoch durch die Transaktionsmerkmale miteinander verbunden sind. Die Filterebene ermöglicht es die mehrschichtige überlagerte Karte nach wählbaren Parametern zu filtrieren. Die Filterebene dient der Veränderung der Informationsdichte, zum Beispiel durch Anpassung des Zeitraums und/ oder der Menge aller erfassten Daten.

[0021] Die Differenzierung und Einteilung der geschichteten Lokationsdaten mittels Mustererkennung zu regionalisierten Lokationsdaten umfasst ein Erstellen einer mehrdimensionalen geografischen Clusterebene auf der Basis der Punkte- und Filterebene. Die mehrdimensionale Clusterebene kann in einer Ausführung vier Dimensionen umfassen, nämlich die Dichte eines ersten Parameters, die quantitative Dynamik des ersten Parameters, die qualitative Dynamik des ersten Parameters sowie die Zeit als diskrete Variable. Die vier Dimensionen können Auskunft über die Struktur, Qualität und Dynamik eines Standortes geben und können in einem weiteren Schritt dazu verwendet werden intakte, gefährdete oder irreparable Standortsökosysteme zu identifizieren.

[0022] Eine Einteilung von geografischen Gebieten gemäss dem vorliegenden Verfahren erfolgt entlang Geschäftsökosystemen, d.h. entlang Gebieten mit unterschiedlichen Verteilungen und Dynamiken, beispielsweise von Geschäftsgründungen und -schliessungen. Diese Aufteilung ist eine neuartige Lösung für das Modifiable Areal Unit Problem (MAUP). In einer vorgesehenen Ausführung der vorliegenden Erfindung lässt sich das generelle Mieterrisiko an einem gegebenen Standort, das Risiko eines Mieters aus einer gegebenen Branche am Standort und das individuelle Risiko eines Mieters innerhalb der gegebenen Branche berechnen. Eine dynamische Gebietsaufteilung in Geschäftsökosysteme erzeugt dabei ein Minimum an relevanten Baryzentren, was sich günstig auf die Recheneffizienz und die Verständlichkeit der Visualisierung, nämlich durch möglichst grosse Gebietseinteilung, auswirkt.

[0023] Das Analysieren der regionalisierten Lokationsdaten mittels Analyse-Moduls erfolgt auf exploratorischer Raum-Zeit-Basis, wobei das Analyse-Modul in einer vorteilhaften Ausführungsform eine Markov Abfolge, insbesondere eine LISA Markov Abfolge („Local Indicators of Spatial Association (LISA) Markov Chain“), umfasst, die auf Cluster- und Filterebene durchgeführt werden kann. Die LISA Markov Abfolge zeichnet sich dadurch aus, dass auch Daten, die nur eine begrenzte Vorgeschichte des Standortes beschreiben, ausreichen, um Prognosen über die raumzeitliche Entwicklung des Standortes ausgeben zu können. Das heisst, dass mit einer kleinen Variablenzahl und dementsprechend kleinen Rechenaufwand, zuverlässige Resultate geliefert werden können. Dies beruht auf der Grundlage, dass Markov-Prozesse „gedächtnislos“ sind und daher der zukünftige Zustand eines Systems nur auf den unmittelbar vorherigen Zustand des Systems basiert.

[0024] Das Analysieren mittels LISA Markov Abfolge umfasst ein Erzeugen von Transitionsmatrizen, welche Transitionswerte beinhalten. Die Transitionswerte beschreiben die Übergangswahrscheinlichkeiten von einem Zustand in einen anderen Zustand. In einer möglichen Ausführungsform beziehen sich diese Übergangswahrscheinlichkeiten auf potenzielle Entitäten und deren Übergangswahrscheinlichkeiten von einem Status zu einem anderen Status. In einer möglichen Ausführungsform können die Entitäten Mieter bzw. Geschäfte sein. In diesem Beispiel ist der „Status“ eines Geschäftsökosystems a) stabil, b) negativ dynamisch (mehr Geschäftsaufgaben), c) positiv dynamisch (mehr Neugründungen), wobei auch die absolute Zahl der Geschäfte und auch die quantitative Veränderung berücksichtigt werden.

[0025] In weiteren möglichen Ausführungsformen umfasst die Verarbeitung und das Analysieren der regionalisierten Lokationsdaten ferner eine Ripley-Funktion (G, K und L), Survival-Analysen, vorteilhafterweise mittels Cox-Regressionen und/ oder Kaplan-Meier-Schätzer, und/oder Machine Learning Abfolgen. Diese weiteren möglichen Ausführungen ermöglichen eine weiterführende raumzeitliche Analyse von Standorten und Entitäten. Beispielsweise kann die Ripley-Funktion verwendet werden, um die Veränderungen von räumlichen Cluster-Bildungen und die Streuung von Entitätsmerkmalen in Abhängigkeit von der Nachbarschaftsgrösse zu ermitteln. Mit einer Cox-Regression, oder Kaplan-Meier-Schätzer, Machine Learning und LISA Markov Abfolgen können Risikoanalysen durchgeführt werden. Mit der erstgenannten Methode können die Einflüsse von mehreren Parametern auf einen Fall bzw. ein Eintreten eines Ereignisses untersucht werden, wobei ein derartiges Ereignis beispielsweise die Schliessung oder Eröffnung einer Entität, beispielsweise eines Geschäfts, innerhalb eines Standortes sein kann. oder Kaplan-Meier-Schätzer hingegen befassen sich mit der Schätzung der Wahrscheinlichkeit, dass ein bestimmtes Ereignis innerhalb eines Zeitraums nicht eintritt. Bezugnehmend auf das Beispiel der Geschäfte innerhalb eines Standortes, können Mieterrisiken auf raumzeitlicher Basis analysiert werden, beispielsweise Individualrisiken mittels Cox-Regression oder Machine Learning Abfolgen, Kollektiv-Risiken bzw. Branchen-Risiken mittels Cox-Regression und daraus abgeleitete Standort-Risiken mittels LISA Markov Abfolgen. Eine Risiko-Aggregation aus den jeweiligen Analysen ist zudem auch in einer möglichen Ausführungsform vorgesehen. Künstliche Intelligenz (Machine Learning, Fuzzy NLP und Deep Neural Networks) kann ferner dazu verwendet werden, um nichtklassifizierte Entitäten, beispielsweise Geschäfte, mittels Vergleiches mit bezeichneten Entitäten zu klassifizieren, beispielsweise nach bestimmten Geschäftsrubriken. Die Zuteilung von Entitäten zu Rubriken kann in einer weiteren möglichen Ausführung bevorzugt mit einer Machine Learning Abfolge in Form einer Transformer-Abfolge erfolgen. Die auf Basis der Analyse erzeugten Befehlsdaten umfassen geographische Referenzdaten, die mit einer Zeitkomponente gekoppelt sind. Die geographischen Referenzdaten können darauffolgend auf einem Ausgabegerät mit Display ausgegeben werden, sodass eine Visualisierung der geographischen Referenzdaten erfolgt. Die Visualisierung ist hierbei eine interaktive bewegbare Raum- und Zeitdarstellung in Form eines Mappings und kann wahrnehmbaren zwei- oder dreidimensional wiedergegeben werden. In einer möglichen Ausführungsform ist die interaktive bewegbare Raum- und Zeitdarstellung ein Mapping von branchenspezifischen Tragfähigkeiten, Risiken und/ oder Potenzialen eines Standortes. In einer vorgesehenen Anwendung der vorliegenden Erfindung basiert die Daten-Visualisierung auf den Geschäftsökosystemen und zeigt Vermietern wie auch Mietern den Zustand und die Dynamik eines Geschäftsökosystems an einem Standort, eine allfällige Über- oder Unterversorgung mit bestimmten Dienstleistungen. Es lassen sich auch für weniger günstige Standorte jene Mieter ermitteln, welche das lokale Ökosystem aufwerten und das kleinste Ausfallrisiko bzw. die beste Überlebenschance haben.

[0026] In einer möglichen Ausführungsform erfolgt die Einteilung des Untersuchungsgebiets durch eine Perimeter-Einteilung. Diese Perimeter-Einteilung kann in der interaktiven bewegbaren Raum- und Zeitdarstellung in Form eines Mappings mittels einer Moving Circle Methode realisiert werden, wobei diese zudem eine optimierte Moving Circle Methode sein kann, welche unter Berücksichtigung weiterer Entitäts- oder Standortsmerkmalen die Perimeter-Einteilung anpasst. Die Visualisierung der Dichte von Entitäts- bzw. Standortsmerkmalen kann durch eine Dichte-Funktion in Form einer Kernel Density Estimation (KDE) ausgeführt werden.

[0027] Bei besonderen Ausführungsformen kann unter Beizug von Bilderdaten, zum Beispiel in Form von Satellitenbildern, eine höhere Auflösung auf regionaler sowie lokaler Ebene erzielt werden. Des Weiteren ermöglicht ein Beizug von derartigen Bilderdaten eine realitätsnahe Visualisierung der Daten.

[0028] Für den Fachmann ist es selbstverständlich, dass alle beschriebenen Ausführungsformen in einer erfindungsgemässen Ausgestaltung der vorliegenden Erfindung verwirklicht sein können, sofern sie sich nicht explizit gegenseitig ausschliessen.

[0029] Im Folgenden wird die vorliegende Erfindung nun anhand konkreter Ausführungsbeispiele und Figuren näher erläutert, ohne jedoch auf diese beschränkt zu sein.

[0030] Durch das Studium dieser besonderen Ausführungsformen und Figuren können sich für einen Fachmann weitere vorteilhafte Ausführungen der vorliegenden Erfindung ergeben.

Figurenbeschrieb

[0031] Anhand der nachfolgenden Figuren werden Ausführungsbeispiele der Erfindung beschrieben, wobei gleiche Referenzzeichen gleiche oder ähnliche Teile bezeichnen. Es zeigen Fig. 1: Eine schematische Abfolge von Schritten gemäss dem erfindungsgemässen Verfahren; Fig. 2: Eine schematische Abfolge von Schritten gemäss dem erfindungsgemässen Verfahren in einer möglichen Ausführung; Fig. 3a, 3b: Eine schematische Ansicht der Überlagerung der mehreren Ebenen gemäss dem erfindungsgemässen Verfahren; Fig. 4: Eine schematische Darstellung eines Markov-Prozesses mit Transitionswerten; Fig. 5: Eine schematische Darstellung eines Computersystems umfassend Mittel zur Ausführung des erfindungsgemässen Verfahrens; Fig. 6: Eine schematische Darstellung einer möglichen Ausführungsform des Computersystems gemäss Fig. 5 umfassend Mittel zur Ausführung des erfindungsgemässen Verfahrens; Fig. 7: Eine vorteilhafte Ausführungsform der interaktiven bewegbaren Visualisierung als Mapping; Fig. 8a, 8b, 8c: Vorteilhafte Ausführungsformen der Visualisierung von Daten in einem Rendering in Form eines Mappings, darstellend Basel im Jahr 2009 (a), 2016 (b) und 2020 (c); und Fig. 9: Eine dreidimensionale Visualisierung von Daten als Mapping. Fig. 10: Eine schematische Darstellung eines Datenverarbeitungsprozesses gemäss einer möglichen Ausführung.

Ausführung der Erfindung

[0032] Fig.1zeigt eine Abfolge von Schritten gemäss dem erfindungsgemässen Verfahren 1 zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten. In einem ersten Schritt S1 werden Lokationsdaten eingelesen. Unter Lokationsdaten werden hier namentlich Informationen über Liegenschaftsobjekte verstanden, wie beispielsweise Adress-/ Positionsdaten, Kartenparametrisierungen oder Bildinformationsdaten. Die Lokationsdaten können aus verschiedenen Quellen bezogen werden und eine Vielzahl von Parametern enthalten. Die Lokationsdaten werden anschliessend in einem zweiten Schritt S2 vorverarbeitet, sodass sie eine Geokodierung enthalten und vordefinierten Gruppen zugewiesen werden können. Daraufhin werden die vorverarbeiteten Lokationsdaten mittels Schichtung in einem Schritt S3 überlagert. Die Differenzierung und Einteilung in einem nächsten Schritt S4 führt dazu, dass die überlagerten vorverarbeiteten Lokationsdaten regionalisiert werden. Die Regionalisierung der geschichteten vorverarbeiteten Lokationsdaten geschieht in einer möglichen Ausführungsform mittels Mustererkennung. In einem darauffolgenden Schritt S5 werden die regionalisierten Lokationsdaten analysiert, wobei die Analyse S5 durch ein Analysemodul durchgeführt wird. In einer möglichen bevorzugten Ausführungsform umfasst das Analysemodul eine LISA Markov Abfolge. Basierend auf den Ergebnissen der Analyse werden Befehlsdaten in einem Schritt S6 erzeugt, wobei die Befehlsdaten geografische Referenzdaten umfassen, die mit einer Zeitkomponente gekoppelt sind. Ein letzter Schritt S7 des erfindungsgemässen Verfahrens umfasst eine Visualisierung der verarbeiteten und analysierten Lokationsdaten. Die Visualisierung erfolgt erfindungsgemäss als Mapping, wobei das Mapping eine interaktive bewegbare Raum- und Zeitdarstellung umfasst. Das Mapping ermöglicht eine Schnittstelle, ohne diese die analysierten Lokationsdaten nicht sinnvoll an einen Benutzer ausgegeben werden könnten. Im Rahmen der Erfindung ist es möglich, die Daten in jedem der Schritte S1 bis S2 einem zusätzlichen Datenkontroll- oder Datenbereinigungsschritt zu unterziehen.

[0033] Fig.2zeigt eine erfindungsgemässe Ausführung des Verfahrens 1 gemäss Fig. 1. Der erste Schritt S1 der Abfolge beinhaltet in dieser Ausführungsform das Einlesen von Lokationsdaten aus mehr als einer Quelle, beispielsweise. Datenbanken. In einer möglichen Ausführungsform werden gemäss Fig. 2 Adressdaten 20, Karten in Form von Open Street Maps (OSM) 21, GIS-Daten 22 sowie Satellitenbilder 23 eingelesen, wobei Daten aus derartigen Datenbanken häufig zugänglich sind. In einem nächsten Schritt, nämlich der Vorverarbeitung S2 werden die Adressdaten 20 geokodiert und einer Gruppe zugewiesen. In dem in Fig. 2 dargestellten Beispiel, werden die Lokationsdaten geokodiert bzw. -lokalisiert 24 und gemäss einer vordefinierten Klassifikation einer Gruppe bzw. Rubrik zugewiesen. Die Daten der Satellitenbilder 23 werden im Schritt der Vorverarbeitung S2 durch eine Vektorisierung 25 vektorisiert, um eine spätere Überlagerung 26 im Schritt S3 der mehreren Datenschichten zu ermöglichen. Die Überlagerung 26 mittels Schichtung S3 umfasst im vorliegenden Beispiel gemäss Fig. 2 die Überlagerung 26 der vorverarbeiteten Adressdaten 20 mit den OSM-Karten 21 sowie einer hier nicht dargestellten wählbaren Filterebene. Anschliessend werden im Schritt S4 der Abfolge die geschichteten Adressdaten 20 und OSM-Karten 21 mittels Mustererkennung, GIS-Daten 22 und den vorverarbeiteten Satellitenbildern 23 gerastert bzw. regionalisiert. Unter Regionalisierung ist die Untergliederung oder Einteilung eines Raumes in kleinere Teilgebiete bzw. Regionen zu verstehen. Die Differenzierung und Einteilung im Schritt S4 umfasst eine Rasterung/ Regionalisierung 27 der geschichteten Adressdaten 20 und OSM-Karten 21, wobei eine vierdimensionale Clusterebene auf Basis der geschichteten Punkte- und Filterebene entsteht. Eine derartige resultierende Clusterebene umfasst mehrere Gruppen von Datenobjekten mit ähnlichen Eigenschaften. In möglichen Ausführungsformen kann die vierdimensionale Clusterebene geschäfts relevante Information wie Dichte eines Parameters, quantitative Dynamik sowie qualitative Dynamik eines Parameters und die Zeit als diskrete Variable umfassen. Nach Erstellung der vierdimensionalen Clusterebene werden die regionalisierten Lokationsdaten mittels Analysemodul analysiert. Die Analyse S5 mittels Analysemodul kann in einer möglichen Ausführungsform mittels einer Ripley-Funktion und/oder LISA („Local Indicators of Spatial Association“) Markov Abfolge 28 ausgeführt werden. Letztere ist eine exploratorische Raum-Zeit-Analyse, welche anhand begrenzter Kenntnis der Vorgeschichte die Transition von einem Zustand eines Systems in einen anderen Zustand des Systems beschreibt anhand von Transitionswerten. Diese Transitionswerte beinhalten Informationen über die Transitionswahrscheinlichkeiten. Basierend auf den Ergebnissen der Analyse werden Befehlsdaten im Schritt S6 erzeugt, wobei die Befehlsdaten geografische Referenzdaten, die mit einer Zeitkomponente gekoppelt sind, umfassen, welche in einer Ausführungsform Standorte und deren Zustand (quantitative und qualitative Dynamik) zu gewissen Zeitpunkten (Zeit als diskrete Variable) sein können. In der in Fig. 2 dargestellten Ausführung der vorliegenden Erfindung können die geografischen Referenzdaten durch eine Kopplung, wobei die Kopplung mittels den Schritten S2 bis S6 erfolgt, der verschiedenen Daten, beispielsweise Adressdaten, OSM-Karten, GIS-Daten und Satellitenbilder, erzeugt werden. Die LISA Markov Abfolge eignet sich auch in weiteren möglichen Ausführungsformen zum Bestimmen von prosperierenden bzw. nicht prosperierenden Standorten, optimalen Geschäftsmixen für (Miss-) Erfolg eines Standortes, Geschäftshierarchien, von denen Prosperität abhängt, potenziellen Risiken im geografischen Umfeld und Weiteres. Der letzte Schritt S7 der Abfolge gemäss dem erfindungsgemässen Verfahren 1 in Fig. 2 beinhaltet eine interaktive bewegbare Visualisierung der Lokationsdaten in Form eines Mappings 29 auf einem Human Interface. Das Mapping ermöglicht eine zeit- und räumliche Manipulation der Daten, wobei eine zurückblickende sowie vorausblickende und intuitiv wahrnehmbare Darstellung erzeugt wird.

[0034] Fig.3aundFig.3bzeigen eine schematische Ansicht der Überlagerung der mehreren Ebenen mittels Schichtung S3 gemäss dem erfindungsgemässen Verfahren 1. Geschichtete Lokationsdaten 2 enthalten hier drei Ebenen, nämlich eine Kartenebene 11, eine Punkteebene 12 und eine Filterebene 13. Die Kartenebene 11 dient als Orientierungsebene ohne analytische Bedeutung. In einer möglichen Ausführungsform kann die Kartenebene eine Open Street Map (OSM) sein. Die Punkteebene 12 beinhaltet die Daten, inklusive Koordinaten, der zu erforschenden Entitäten bzw. Einrichtungen. In einer möglichen Ausführungsform besteht die Punkteebene aus den Lokationsdaten von Geschäftslokalitäten, Parkplätzen, Haltestellen und/ oder ähnlichen Points-of- Interest (POI). Die Filterebene 13 erfüllt den Zweck des Filterns nach einem wählbaren Parameter. Bezugnehmend auf die bereits genannten Beispiele, kann die Filterebene 13 der Fig. 3 die geschichteten Lokationsdaten nach Zeit, Geschäftsrubrik, Rechtsform und/ oder Weiterem filtern. InFig.3bsind die Verknüpfungen bzw. Verbindungen 14 einzelner Punkte der Punkteebene gezeigt. Dies kann in möglichen Ausführungen durch Merkmale wie Transaktionsmerkmale erfolgen. Weitere Möglichkeiten sind Verknüpfungen einzelner Entitäten derselben Rubrik, zum Beispiel Geschäfte, welche einer bestimmten Geschäftsrubrik angehören.

[0035] Fig.4ist eine schematische Darstellung eines Markov-Prozesses 3. Gezeigt sind drei mögliche Zustände eines Systems, nämlich A, B und C. Mögliche Transitionen von einem Zustand in einen anderen Zustand sind mit Pfeilen dargestellt. Die Transitionen sind jeweils mit einem Transitionswert Tw(1) bis Tw(9) beschriftet. Zum Beispiel ist Tw4 der Transitionswert für die Transition von Zustand A nach Zustand C. Es besteht auch die Möglichkeit, dass sich ein Zustand wiederholt, wie durch Tw1, Tw2 und Tw3 dargestellt. Wie aus Fig. 4 ersichtlich, sind die Transitionen von einem Zustand in einen anderen Zustand nur von der unmittelbar vorher unternommenen Transition abhängig und ändert sich nicht wenn zusätzliche Informationen über die vergangenen Transitionen miteinbezogen werden. Diese „gedächtnislose“ Eigenschaft ist dem Markov-Prozess 3 zugrunde liegend und ermöglicht es Prognosen zu erstellen, ohne den gesamten Verlauf eines Systems zu kennen.

[0036] In einer möglichen Ausführungsform können erfolgreiche Geschäftsökosysteme und deren raumzeitlicher Verlauf über einen begrenzten Zeitraum als Referenz-Modelle mit Referenz-Mietern verwendet werden. So können Transitionswahrscheinlichkeiten einzelner Geschäfte und Mieter aus einem bzw. in einen Standort festgelegt werden und ein optimaler Geschäftsmix innerhalb des Standortes mittels Markov-Prozess 3 ermittelt werden.

[0037] In einer weiteren möglichen Ausführungsform kann das Analysieren der regionalisierten Lokationsdaten mittels einem LISA („Local Indicators of Spatial Association“) Markov Abfolge ausgeführt werden. LISAs sind Indikatoren, welche auf lokale Cluster in der räumlichen Anordnung einer bestimmten Variablen hinweisen und diese bewerten. Ein LISA weist zwei wichtige Merkmale auf, erstens liefert er eine Statistik für jeden Ort mit einer Bewertung der Signifikanz, und zweitens stellt es eine proportionale Beziehung zwischen der Summe der lokalen Statistiken und einer entsprechenden globalen Statistik her. Bei einer herkömmlichen Standortanalyse mittels Markov Prozess werden die Einflüsse lokaler Cluster mit höherer bzw. tieferer Variablendichte vernachlässigt. Vor allem bei der Anwendung der Geschäftsmietersuche haben lokale Cluster einen signifikanten Einfluss auf den Erfolg eines Geschäftsökosystems und sollten daher berücksichtigt werden.

[0038] Fig.5zeigt eine schematische Darstellung eines Computersystems 110 mit Mitteln zur Ausführung des erfindungsgemässen Verfahrens 1. Das Computersystem 110 ist mit einem Netzwerk 111 verbunden, wobei das Netzwerk mindestens eine Datenbank bzw. vorteilhaft mehrere Datenbanken 120, 121, 122 enthält, welche Lokationsdaten beinhalten. Das Netzwerk 111 kann in einer möglichen Ausführungsform einem bekannten Netzwerktyp entsprechen. Weitere zusätzliche Datenbanken 112 können weitere Lokationsdaten bereitstellen, beispielsweise externe Offline-Datenbanken. Das Computersystem 110 umfasst ein Einlesegerät 113 zum Einlesen von Lokationsdaten aus mindestens einer Datenbank. Das Einlesegerät 113 umfasst ferner Mittel zum Erstellen von Listen aus Datenbanken, wie zum Beispiel POI-Listen. Das Einlesegerät 113 ist mit einem Vorverarbeitungsmodul 114 verbunden, welches die eingelesenen Lokationsdaten geokodiert und vordefinierten Gruppen zuweist. Das Vorverarbeitungsmodul 114 verfügt über Mittel zur Vektorisierung, mit welchem Bilderdaten vektorisiert werden können, sodass sie anschliessend zusammen mit den Lokationsdaten auf einer Karte dargestellt werden können. Das Computersystem 110 verfügt ferner über mindestens einen Prozessor 115, der unter anderem für die Differenzierung und Einteilung der geschichteten Lokationsdaten zu regionalisierten Lokationsdaten verwendet wird. Nach der Differenzierung und Einteilung, werden die regionalisierten Lokationsdaten mittels eines Analysemoduls 116 analysiert und basierend auf den Ergebnissen werden geografische Referenzdaten erzeugt, die mit einer Zeitkomponente gekoppelt sind. Das Analysemodul 116 weist Mittel zum Ausführen der bereits genannten Analysemethoden und Abfolgen, wie zum Beispiel eine LISA Markov Abfolge auf. Nebst den bereits genannten Bestandteilen verfügt das Computersystem 110 ferner über ein Ausgabegerät 117, dass mit einem Display 118 verbunden ist. Das Ausgabegerät 117 mit Display 118 ermöglicht eine interaktive bewegbare Raum- und Zeitdarstellung der geografischen Referenzdaten, welche eine optimierte, intuitive und interaktive Wahrnehmbarkeit für das Bedienperson ermöglicht.

[0039] Fig.6zeigt eine mögliche Ausführungsform des Verfahrens und Systems gemäss Fig. 5. In der dargestellten Ausführung werden Lokationsdaten in Form von Adressdaten 20, OSM-Karten 21 und GIS-Daten 22 aus dem Netzwerk 111 durch das Einlesegerät 113 des Computersystems 110 im Schritt S1 eingelesen. Zusätzlich werden vorteilhafterweise Satellitenbilder 23 aus einer zusätzlichen Datenbank 112 eingelesen, wobei diese zusätzliche Quelle in einer möglichen Ausführungsform eine Offline-Datenbank sein kann. Der Prozessor 115 ist in dem dargestellten Beispiel für die Ausführung der Schritte S2 bis S6 vorgesehen. Der Schritt der Vorverarbeitung S2 enthält hier das Geokodieren und das Vektorisieren der Daten, das Analysieren S5 und das Erzeugen von Befehlsdaten S6, wobei der Prozessor 115 zudem für die Schritte der Überlagerung S3 und der Differenzierung und Einteilung bzw. Rasterung und Regionalisierung S4 vorgesehen und ausgestattet ist. Anschliessend erfolgt die Visualisierung durch das Ausgabegerät 117, wobei in Fig. 6 eine vorteilhafte Visualisierung auf einem Display 118 dargestellt ist.

[0040] Fig.7ist eine vorteilhafte Ausführungsform der Visualisierung von Lokationsdaten in einem Rendering in der Form eines Mappings. Ein Daten-Rendering 130 ist als interaktive bewegbare Karte realisiert, welche die Dichte eines Parameters 131 an einem Standort als Funktion der Zeit darstellt, wobei eine Zeitkomponente 132 in einer interaktiven bewegbaren Leiste vom Benutzer manipuliert werden kann. Der Standort in dem dargestellten Beispiel entspricht einer Schweizer Innenstadt. Eine Zoom-Funktion 133 ist auch in der interaktiven bewegbaren Visualisierung vorhanden, sodass der Benutzer das Gebiet von Interesse selbst anpassen kann. Auf diese Weise wird die Darstellung der komplexen Dateninformation für eine Bedienperson ermöglicht.

[0041] Fig.8a bis 8czeigen eine Visualisierung in einem Rendering in Form eines Mappings 29 von Daten bezüglich eines Standortes. Fig. 8a, 8b und 8c zeigen die Dichte eines Parameters in den Jahren 2009, 2016 und 2020 respektive. Dieses Daten-Rendering ist in der dargestellten Ausführungsform eine Visualisierung, die als interaktive Schnittstelle dient, durch welche die Lokationsdaten dem Benutzer in einer verständnisvollen Weise übermittelt werden können. Statische und dynamische Entitäten eines Standortes und deren raumzeitliche Entwicklungen können visualisiert und dadurch auch deren Synergiewirkung ermittelt werden. Diese Entitäten können in den in Fig. 8a-8c dargestellten Beispielen Geschäfte einer vordefinierten Rubrik sein. Die drei Figuren veranschaulichen wie die Dynamik innerhalb eines Standortes mittels des Daten-Renderings (GUI) als Mapping 29 durch das Computersystem dem Benutzer übermittelt werden kann. Es ist deutlich zu sehen wie die Dichte der Geschäfte einer vorbestimmten Geschäftsrubrik in der Basler Innenstadt im Laufe der Jahre abnimmt.

[0042] Fig.9zeigt eine dreidimensionale Visualisierung von Lokationsdaten des Kantons Basel-Stadt (Datenquelle: CH-GIS). Standorte und die darin beinhalteten Liegenschaften sind realitätsnah wiedergegeben. Auf Basis dieser Visualisierung können Geschäftsökosysteme untersucht werden und deren Entwicklungen visuell dargestellt werden. Die 3D Darstellung der komplexen Dateninformation erlaubt hier weiterhin die zusätzliche Visualisierung von Lokalitätsebenen.

[0043] Fig.10ist eine schematische Darstellung eines Datenverarbeitungsprozesses in einer möglichen Ausführung der vorliegenden Erfindung. Das Einlesen von Lokationsdaten ist in der dargestellten Ausführung durch ein Mining realisiert, wobei Lokationsdaten in Form von Firmen-, Positions- und Lagedaten eingelesen werden. Darüber hinaus können POI-Daten mittels OSM-Karten zur Verfügung gestellt werden. Die Programmierschnittstelle (API) verbindet das Einlesegerät 113 der Lokationsdaten mit einer Programmbibliothek, welche eine Datenbanksystem enthält (DB). Das Vorverarbeiten (Preprocessing) der Lokationsdaten umfasst im dargestellten Beispiel eine Standardisierung, Datacleaning bzw. Datenbereinigung, eine Klassifikation nach vordefinierten Gruppen (dargestellt: Branchenklassifikation) und eine Vorverarbeitung für das Rendering bzw. Georendering. Die in Fig. 10 dargestellte Risiko-Analyse im Processing-Schritt umfasst eine Analyse nach dem Individual-Risiko mittels Cox-regression oder Gradient Boosting, Branchenrisiko mittels Cox-Regression sowie Standortrisiko mittels LISA Markov Abfolge. Eine derartige Analyse ermöglicht es Standortdynamiken genauer zu untersuchen, sowie eine Rangfolge idealer Mieter basierend auf der Risiko-Analyse bereitzustellen. Letztlich können die analysierten Daten als Geo-Rendering mit einer Graphic User Interface (GUI) auf einem Display 118 visualisiert werden. Eine Gebietsrasterung ist hier auch vorgesehen, wobei diese beispielsweise mittels Flex-Scan durchgeführt werden kann.

[0044] Die vorliegende Erfindung zeigt ein Verfahren zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten sowie ein Computersystem. Es versteht sich von selbst, dass für einen Fachmann zahlreiche weitere Ausführungsformen anhand der exemplarisch beschriebenen Ausführungsbeispiele denkbar sind.

Bezugszeichenliste

[0045] 1 Verfahren gemäss den unabhängigen Patentansprüchen 2 Überlagerung gemäss dem erfindungsgemässen Verfahren 3 Markov-Prozess 11 Kartenebene 12 Punkteebene 13 Filterebene 14 Verknüpfungen einzelner Punkte auf Punkteebene 20 Adress-Daten 21 Karten 22 GIS-Daten 23 Satellitenbilder 24 Geolokalisierung und Zeit-Klassifikation 25 Vektorisierung 26 Überlagerung der Karten- und Adressdaten 27 Regionalisierung 28 LISA Markov Abfolge 29 Mapping 110 Computersystem 111 Netzwerk 112 Zusätzliche Datenbank 113 Einlesegerät 114 Vorverarbeitungsmodul 115 Prozessor 116 Analysemodul 117 Ausgabegerät 118 Display 120 Datenbank 1 121 Datenbank 2 122 Datenbank 3 A Zustand A B Zustand B C Zustand C 130 Daten-Rendering 131 Dichte eines Parameters 132 interaktive bewegbare Zeitkomponente 133 Zoom-Funktion S1 Einlesen von Lokationsdaten S2 Vorverarbeitung S3 Überlagerung mittels Schichtung S4 Differenzierung und Einteilung S5 Analysemodul S6 Erzeugen von Befehlsdaten S7 Visualisierung Tw1 Transitionswert (A|A) Tw2 Transitionswert (C|C) Tw3 Transitionswert (B|B) Tw4 Transitionswert (A|C) Tw5 Transitionswert (C|B) Tw6 Transitionswert (B|A) Tw7 Transitionswert (ClA) Tw8 Transitionswert (B|C) Tw9 Transitionswert (A|B)

Claims (10)

1. Verfahren zur Erfassung, Verarbeitung und Darstellung von Lokationsdaten, wobei das Verfahren die folgenden Schritte umfasst: – Einlesen von Lokationsdaten (S1), die zumindest erste Lokationsdaten und zweite Lokationsdaten umfassen; – Vorverarbeitung (S2) der ersten Lokationsdaten; – Vorverarbeitung (S2) der zweiten Lokationsdaten; – Überlagerung (S3) der vorverarbeiteten ersten Lokationsdaten und der vorverarbeiteten zweiten Lokationsdaten mittels Schichtung zu geschichteten Lokationsdaten; – Differenzierung und Einteilung (S4) der geschichteten Lokationsdaten mittels Mustererkennung zu regionalisierten Lokationsdaten; – Analysieren (S5) der regionalisierten Lokationsdaten mittels Analyse-Moduls; und – Erzeugen von Befehlsdaten (S6) als Reaktion auf das Analysieren der regionalisierten Lokationsdaten, wobei die Befehlsdaten geographische Referenzdaten umfassen, die mit einer Zeitkomponente gekoppelt sind, und wobei die geographischen Referenzdaten auf einem Ausgabegerät mit Display durch eine interaktive bewegbare Zeit- und Raumdarstellung (S7) ausgegeben werden.

2. Verfahren gemäss Anspruch 1, wobei die ersten und/oder zweiten Lokationsdaten mit mindestens einem Attribut assoziiert sind und das Einlesen (S1) der ersten und/oder zweiten Lokationsdaten ein Erstellen von Listen aus mindestens einer Datenbank (120-122, 112) umfasst.

3. Verfahren gemäss Anspruch 1 und 2, wobei die Vorverarbeitung (S2) der ersten und der zweiten Lokationsdaten eine Geokodierung sowie Zeitkodierung der Lokationsdaten umfasst sowie eine anschliessende Zuweisung der geokodierten Lokationsdaten zu vordefinierten Gruppen.

4. Verfahren gemäss einem der Ansprüche 1 bis 3, wobei die Überlagerung (S3) der vorverarbeiteten mindestens ersten und zweiten Lokationsdaten mittels Schichtung ferner umfasst: a) Erstellen einer Kartenebene (11); b) Erstellen einer Punkteebene (12); und c) Erstellen einer Filterebene (13) umfasst.

5. Verfahren gemäss einem der Ansprüche 1 bis 4, wobei die Differenzierung und Einteilung (S4) der geschichteten Lokationsdaten mittels Mustererkennung zu regionalisierten Lokationsdaten ein Erstellen einer mehrdimensionalen geografischen Clusterebene auf der Basis der Punkt- (12) und Filterebene (13) beinhaltet.

6. Verfahren gemäss Anspruch 5, wobei die mehrdimensionale geografische Clusterebene folgende Dimensionen umfasst: a) Dichte eines ersten Parameters, b) quantitative Dynamik des ersten Parameters, c) qualitative Dynamik des ersten Parameters, und d) Zeit als diskrete Variable.

7. Verfahren gemäss einem der Ansprüche 1 bis 6, wobei das Analysieren (S5) der regionalisierten Lokationsdaten mittels Analyse-Moduls (116) auf exploratorischer Raum-Zeit-Basis erfolgt, und wobei das Analyse-Modul (116) eine LISA Markov Abfolge umfasst, die auf Cluster- und Filterebene durchgeführt wird.

8. Verfahren gemäss einem der Ansprüche 1 bis 7, wobei das Analysieren ein Erzeugen von Transitionsmatrizen umfasst, welche Transitionswerte (Tw1-Tw9) beinhalten.

9. Verfahren gemäss einem der Ansprüche 1 bis 8, wobei die geographischen Referenzdaten auf einem Ausgabegerät (117) mit Display (118) ausgegeben werden, sodass eine Visualisierung (S7) der geographischen Referenzdaten als Mapping (29) erfolgt.

10. Computersystem (110), umfassend Mittel zur Ausführung des Verfahrens nach einem der Ansprüche 1 bis 9.