CH719223A1

CH719223A1 - Method and system for collecting, processing and displaying location data.

Info

Publication number: CH719223A1
Application number: CH070675/2021A
Authority: CH
Inventors: Von Schönau Alexander; Paolucci Marc; Gürtler Stefan
Original assignee: Terrastar Ag
Priority date: 2021-12-08
Filing date: 2021-12-08
Publication date: 2023-06-15

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).The invention relates to a method for acquiring, processing and displaying location data. The method comprises the following steps: reading in location data, which includes at least first location data and second location data (S1); pre-processing of the first location data (S2); Pre-processing of the second location data (S2); Overlaying the preprocessed first location data and the preprocessed second location data by means of layering to form layered location data (S3); Differentiation and classification of the layered location data by means of pattern recognition into regionalized location data (S4); Analyzing the regionalized location data using an analysis module (S5); and generating command data in response to analyzing the regionalized location data (S6), the command data comprising geographic reference data coupled to a time component, and wherein the geographic reference data is output on a display output device through an interactive movable time and space representation (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. The present invention relates to the collection, processing and presentation of location data. It further relates to a method and a system, all according to the preambles of the independent patent claims.

Technologischer HintergrundTechnological background

[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. [0002] Since their emergence, spatial information systems have considerably expanded the possibilities of geographical data representation and enabled the visual exploration of a wide variety of georeferenced parameters. Data from a variety of sources can be combined into a visual representation, or multi-layered map. This includes data types such as maps, vector data, surveys, images, buildings, traffic data and many more. The visual representation of data can be made interactive, allowing users to manipulate the data within the spatial information system.

[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. [0003] In the real estate industry, for example, the potential for this type of new spatial information technology is great. The spatiotemporal developments of different locations can be used to give forecasts about the future of these locations. For example, approaches for identifying the most suitable rental properties for a tenant or business in a location are known, such identification usually being carried out by location, demand or model-based algorithms. The former requires the definition of location parameters of the data set, with the location parameter information often not being sufficient for a complete characterization of the data, since they do not allow any differences in the values and their distribution. Demand-based algorithms, on the other hand, work on the basis of user movement data that is collected in the vicinity of a point of interest (POI) and can then be analyzed. Ultimately, model-based algorithms rely on reference models under the assumption that similar locations will develop in a similar way, which is often not the case in reality.

[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. The conventional approach to a location analysis depends on the demand market. An alternative to the above-mentioned location and property evaluations that is not given much attention in the real estate industry is the analysis of economic ecosystems, which is known from network theory. According to Lansiti and Levin (2004), the economic success of an individual company depends on the economic network in which it is located and vice versa. In a local context, this means that the structure and dynamics of local business mixes are crucial for the economic success of both the individual company and the local collective of all companies. Applying the findings of lansiti and Levien to the commercial rental market, business ecosystems as a whole are more crucial for the development of a location than the individual tenants or shops within the location. Network hierarchies, such as the number of anchor tenants in an area or the number of presence and absence shops characterize a business ecosystem and therefore play an important role in the search for rental property or tenants. According to lansiti and Levien, it is business ecosystems that generate pedestrian flows, create traffic connections, determine the success of a business, etc. and not the other way around as assumed in most of today's solution approaches. Today's solutions are only concerned with the choice of location for a business or tenant type, so that there is a clear need for technical solutions that enable the problem of optimized tenant choice for a specific location and thereby bring about a synergy effect within a location. Such a network-oriented rental approach strives for an optimal fit of the tenant with the local business mix. A major advantage of a network-oriented approach is that the analysis of the structural dynamics of business ecosystems can be used to forecast their economic development. For this purpose, the time dimension is essential in order to be able to make predictive statements about the stability, instability or future prospects of a business or location ecosystem.

[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. The solutions from the prior art are based on big data, so-called. Large amounts of data that are difficult to evaluate with conventional processing methods. In the solution approaches mentioned, conditions are collected from Big Data, some of which require a very large number of parameters in order to be able to output reliable, informative information. Due to the high number of parameters and large, often unstructured amounts of data, the previous solutions are associated with an extremely large computational effort. In addition, due to the high number of parameters/variables, these solutions have limited meaningfulness and can only rarely be traced back to a specific variable.

[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. [0006] A more computationally efficient alternative to unstructured big data is smart data, or intelligent amounts of data. This type of intelligent data volume is already filtered and pre-processed for the intended use, so that the algorithms can run much more efficiently and a transparent data situation is created, which meets the respective data protection rights. In order to scale the application, it would also be advantageous to use "sparse data", i.e. a minimum of data from public and internationally managed sources. These can, for example, be company data that are classified according to NOGA ISIC, PRODCOM, CPC, NAICS and others and are available for the so-called conversion keys. Such "sparse data" can deliver insightful results from minimal amounts of data.

[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. Due to the large amounts of data and analysis complexity of the solutions from the prior art, users of the solution applications are dependent on data suppliers and data analysts, so that corresponding solutions are only possible on large systems with considerable computing power and as an SaaS solution ("Software as a Service") are. Any updates are also associated with a considerable computing effort, so that geographical or spatial scaling is hindered. Furthermore, the conventional location, demand and reference-based data solutions from the prior art require un- and/or supervised learning approaches for pattern recognition in the location data. Such a procedure for pattern recognition is also computationally intensive and costly.

[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. [0008] Considered in particular in terms of data protection law, many of the solutions from the prior art are in a gray area, and their commercially applicable future is therefore not guaranteed. User movement data as well as other personal information is collected through various sensors or detectors using Bluetooth, Wi-Fi and/or GPS, often without the explicit consent of the respective user. Search subscriptions and queries on websites are also intercepted by some demand-based algorithms and used for other purposes. Data protection laws differ from country to country, so applying these solutions in a cross-border scenario is often not possible.

[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. [0009] The methods from the prior art are not suitable for quickly ascertainable and easily understandable location overviews and assessments due to their confusing data situation and the increasing computational effort. A visualization of potential entities, such as tenants in an industry, their synergy effect and the network effects are also not known in the prior art. The above description of the technological background shows that there is a need for new solutions that counteract the already mentioned disadvantages of the prior art and can be executed on a computer system in a private or public context, as a standalone and/or as a SaaS solution are. These solutions should be computationally efficient, scalable, portable, data protection compliant and costly. These conditions require a minimum of data and sequences that require as few barycentres and few iterations as possible.

[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). US 8,209,121 B1 describes systems and methods for improving the accuracy of location data such as GPS data. In one embodiment, the invention adjusts coordinates by receiving a sequence of coordinates corresponding to a plurality of locations and identifying in a map database for each location polyline features within a distance of the location's coordinates. Emission probabilities and transition probabilities for the polyline features are then calculated. These emission probabilities and transition probabilities are then used to adjust the coordinates for the plurality of locations such that the adjusted coordinates correspond to polyline features belonging to a sequence of polyline features that have been selected based on the emission probabilities and transition probabilities to be the most likely sequence of polyline features , which correspond to the order of the coordinates. Besides improving accuracy, embodiments of the invention enable novel geospatial applications and user interfaces by adding large amounts of meta-information to a location. The adaptation of the location data for the large number of locations is carried out by a pose optimizer, also called PoseOptimizer, and a 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. US 8,209,121 B1 discloses systems and methods for improving the accuracy of location data, but fails to explain how improved spatiotemporal decomposition and HMM algorithms can be used to show the spatiotemporal evolution of locations in an interactive moving space and time representation to determine and provide insightful insights and forecasts about the future of a location.

[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. [0012] EP 2 070 006 B1 is known from the prior art; it describes a method for providing mapping, data management and data analysis. The creation of the map is initiated using a Gaussian aggregation and desired color map parameters. The data to be displayed on the map is then loaded, rasterized and then converted to a scale that can be selected by the user. A convolution is performed on the data and the results are applied to a color ramp, so the map is created based on the color ramp and the convolution results.

[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. [0013] EP 2 070 006 B1 is an example of a location-based algorithm, which is why this solution has at least the disadvantages already mentioned. For example, it is necessary for the user to upload or define data with the attributes whose relationships are to be illustrated, whereby no forecasts can be made about the development of these attributes over time without providing data over the entire time period of interest.

Darstellung der ErfindungPresentation of the invention

[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. The following description of advantageous embodiments of the invention is not intended to limit the invention to individual advantageous embodiments, but is intended to give those skilled in the art the opportunity to carry out and use the invention.

[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. It is an object of the invention to obviate at least some of the disadvantages of the prior art and to enable an interactive moving time and space representation of georeferenced location data. In particular, a method is to be provided for the collection, processing and presentation of location data.

[0016] Diese und weitere Aufgaben werden durch die Merkmale der unabhängigen Patentansprüche gelöst. Weitere vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen gegeben. [0016] These and other objects are solved by the features of the independent patent claims. Further advantageous embodiments are given in the dependent claims.

[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. One aspect of the present invention relates to a method for acquiring, processing and displaying location data, the method comprising reading in location data which comprises at least first location data and second location data, pre-processing the first location data and pre-processing the second location data. The pre-processed first location data and pre-processed second location data are superimposed by layering to form layered location data and then converted to regionalized location data by differentiation and classification of the layered location data using pattern recognition. Analyzing the regionalized location data is performed by an analysis module, whereupon command data is generated in response to analyzing the regionalized location data, wherein the command data includes geographic reference data coupled to a time component, and wherein the geographic reference data is presented on an output device with a display an interactive movable representation of time and space can be output.

[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. The first and/or second location data is associated with at least one attribute, and reading in the first and/or second location data also includes creating lists from at least one database. The location data can be associated with a large number of attributes, with the location data already being associated with at least one attribute when it is read in or being specified by the user after it has been read in. The lists can be created from a large number of databases; in one embodiment of the present invention, business lists are created from, for example, address, industry and trade office directories and/or commercial registers. Lists of points of interest (POI) are then created from databases. In one possible embodiment, business relevant POI lists such as parking lots, bus stops and/or the like can be created from GIS repositories, Open Street Maps (OSM maps) or the like. Alternatively, property lists can also be created from databases in a further embodiment. From the foregoing, it can be seen that the present invention can create a data model from a minimal configuration of business directories and national company registers. The databases can be maintained globally, contain complete, uniform, non-sensitive company data and can be obtained in most countries either via a data interface (API), via look-ups (scraping) or by providing the data (CD, csv). .

[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. [0019] The pre-processing of the first and the second location data includes a geocoding and/or time-coding of the location data as well as a subsequent allocation of the spatiotemporal coded location data to predefined groups. The geocoding means that the location data after the time and geocoding have time-limited x, y coordinates. After time and geocoding, the location data is assigned to predefined groups. Here, the first location data, which contain lists in a possible embodiment, are assigned to predefined groups, the lists being business lists and the groups being business categories, for example the business categories according to NACE (“nomenclature statistique des activites economiques dans la Communaute europeenne”) or others any classification. In this case, the at least second location data contains POI lists and/or object data.

[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. The overlaying of the pre-processed at least first and second location data by means of layering includes the creation of a map layer, a point layer and a filter layer. The map level serves here as an orientation level without analytical significance, with the point level including the coordinates of the respective locations and entities. In one possible implementation, the points level indicates business locations and/or business-critical facilities, such as parking lots, bus stops, traffic intersections, and others. In a further step, individual locations or entities at the point level are supplemented by a so-called grid level. Locations or entities are linked to one another on this basis on the basis of predetermined characteristics. These attributes are one possible implementation of transaction attributes, where the entities, such as stores, are separated at the grid level by geographic barriers, but are linked by the transaction attributes. The filter level allows to filter the multi-layer overlaid map according to selectable parameters. The filter level is used to change the information density, for example by adjusting the time period and/or the amount of all recorded data.

[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. The differentiation and classification of the layered location data using pattern recognition to form regionalized location data includes creating a multidimensional geographic cluster level based on the point and filter levels. In one embodiment, the multidimensional cluster level can include four dimensions, namely the density of a first parameter, the quantitative dynamics of the first parameter, the qualitative dynamics of the first parameter, and time as a discrete variable. The four dimensions can provide information about the structure, quality and dynamics of a site and can be used in a further step to identify intact, endangered or irreparable site ecosystems.

[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. A classification of geographic areas according to the present method is based on business ecosystems, i.e. along areas with different distributions and dynamics, for example of business start-ups and closures. This division is a novel solution to the Modifiable Area Unit Problem (MAUP). In a contemplated embodiment of the present invention, the overall tenant risk at a given location, the risk of a tenant from a given industry at the site, and the individual risk of a tenant within the given industry can be calculated. A dynamic area division into business ecosystems creates a minimum of relevant barycentres, which has a favorable effect on the computational efficiency and the comprehensibility of the visualization, namely by dividing the areas as large as possible.

[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. The analysis of the regionalized location data by means of an analysis module takes place on an exploratory space-time basis, with the analysis module in an advantageous embodiment using a Markov sequence, in particular a LISA Markov sequence (“Local Indicators of Spatial Association (LISA) Markov Chain”), which can be performed at cluster and filter level. The LISA Markov sequence is characterized by the fact that even data that describes only a limited history of the location is sufficient to be able to issue forecasts about the spatiotemporal development of the location. This means that reliable results can be delivered with a small number of variables and correspondingly little computing effort. This is based on the fact that Markov processes are "memoryless" and therefore the future state of a system is based only on the immediately previous state of the system.

[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. [0024] Analyzing by means of LISA Markov sequence includes generating transition matrices which contain transition values. The transition values describe the transition probabilities from one state to another state. In one possible embodiment, these transition probabilities relate to potential entities and their transition probabilities from one state to another state. In one possible embodiment, the entities can be tenants and shops, respectively. In this example, the “status” of a business ecosystem is a) stable, b) negatively dynamic (more business closures), c) positively dynamic (more startups), considering also the absolute number of businesses and also the quantitative change.

[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. In other possible embodiments, the processing and analysis of the regionalized location data also includes a Ripley function (G, K and L), survival analyses, advantageously using Cox regressions and/or Kaplan-Meier estimators, and/or Machine learning sequences. These other possible versions enable a further spatio-temporal analysis of locations and entities. For example, the Ripley function can be used to determine changes in spatial clustering and scattering of entity features as a function of neighborhood size. Risk analyzes can be carried out with a Cox regression, or Kaplan-Meier estimator, machine learning and LISA Markov sequences. With the first-mentioned method, the influences of several parameters on a case or the occurrence of an event can be examined, with such an event being, for example, the closure or opening of an entity, for example a shop, within a location. or Kaplan-Meier estimators, on the other hand, are concerned with estimating the probability that a certain event will not occur within a period of time. Referring to the example of transactions within a location, tenant risks can be analyzed on a spatial-temporal basis, for example individual risks using Cox regression or machine learning sequences, collective risks or industry risks using Cox regression and location risks derived from this using LISA Markov sequences. A risk aggregation from the respective analyzes is also provided in one possible embodiment. Artificial intelligence (machine learning, fuzzy NLP and deep neural networks) can also be used to classify unclassified entities, such as businesses, by comparing them with designated entities, for example, according to certain business categories. In a further possible embodiment, the allocation of entities to categories can preferably take place with a machine learning sequence in the form of a transformer sequence. The command data generated based on the analysis includes geographic reference data coupled with a time component. The geographic reference data can then be output on an output device with a display, so that the geographic reference data is visualized. The visualization here is an interactive, movable representation of space and time in the form of a mapping and can be reproduced perceptibly in two or three dimensions. In one possible embodiment, the interactive, movable space and time representation is a mapping of sector-specific carrying capacities, risks and/or potentials of a location. In an intended application of the present invention, the data visualization is based on the business ecosystems and shows both landlords and tenants the state and dynamics of a business ecosystem at a location, any oversupply or undersupply of certain services. Tenants can also be identified for less favorable locations who enhance the local ecosystem and have the lowest risk of default or the best chance of survival.

[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. In one possible embodiment, the examination area is divided by a perimeter division. This perimeter division can be realized in the interactive movable space and time representation in the form of a mapping using a moving circle method, whereby this can also be an optimized moving circle method, which adapts the perimeter division taking into account other entity or location characteristics. The visualization of the density of entity or location features can be performed by a density function in the form of a kernel density estimation (KDE).

[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. [0027] In particular embodiments, a higher resolution can be achieved at a regional and local level by using image data, for example in the form of satellite images. Furthermore, the inclusion of such image data enables a realistic visualization of the data.

[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. It goes without saying for a person skilled in the art that all of the described embodiments can be implemented in an embodiment of the present invention according to the invention, provided they are not explicitly mutually exclusive.

[0029] Im Folgenden wird die vorliegende Erfindung nun anhand konkreter Ausführungsbeispiele und Figuren näher erläutert, ohne jedoch auf diese beschränkt zu sein. The present invention will now be explained in more detail below using specific exemplary embodiments and figures, but without being restricted to these.

[0030] Durch das Studium dieser besonderen Ausführungsformen und Figuren können sich für einen Fachmann weitere vorteilhafte Ausführungen der vorliegenden Erfindung ergeben. By studying these particular embodiments and figures, further advantageous embodiments of the present invention can result for a person skilled in the art.

Figurenbeschriebcharacter description

[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.Exemplary embodiments of the invention are described with reference to the following figures, with the same reference symbols denoting the same or similar parts. 1 shows a schematic sequence of steps according to the method according to the invention; 2: A schematic sequence of steps according to the method according to the invention in a possible embodiment; 3a, 3b: A schematic view of the superimposition of several levels according to the method according to the invention; 4: A schematic representation of a Markov process with transition values; 5: A schematic representation of a computer system comprising means for executing the method according to the invention; FIG. 6: A schematic representation of a possible embodiment of the computer system according to FIG. 5 comprising means for carrying out the method according to the invention; 7: An advantageous embodiment of the interactive movable visualization as a mapping; 8a, 8b, 8c: Advantageous embodiments of the visualization of data in a rendering in the form of a mapping, showing Basel in 2009 (a), 2016 (b) and 2020 (c); and FIG. 9: A three-dimensional visualization of data as a mapping. 10: A schematic representation of a data processing process according to a possible embodiment.

Ausführung der Erfindungimplementation of the invention

[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. 1 shows a sequence of steps according to the method 1 according to the invention for the acquisition, processing and display of location data. In a first step S1, location data are read. Location data is understood here to mean information about real estate objects, such as address/position data, map parameterization or image information data. The location data can be obtained from various sources and contain a large number of parameters. The location data are then pre-processed in a second step S2 so that they contain geocoding and can be assigned to predefined groups. The pre-processed location data are then superimposed by layering in a step S3. The differentiation and classification in a next step S4 results in the overlaid, pre-processed location data being regionalized. In one possible embodiment, the layered, pre-processed location data is regionalized by means of pattern recognition. In a subsequent step S5, the regionalized location data are analyzed, with the analysis S5 being carried out by an analysis module. In a possible preferred embodiment, the analysis module comprises a LISA Markov sequence. Based on the results of the analysis, command data is generated in a step S6, the command data comprising geographic reference data linked to a time component. A last step S7 of the method according to the invention includes a visualization of the processed and analyzed location data. According to the invention, the visualization takes place as a mapping, with the mapping comprising an interactive, movable representation of space and time. The mapping enables an interface without which the analyzed location data could not be meaningfully output to a user. Within the scope of the invention, it is possible to subject the data to an additional data control or data cleansing step in each of steps S1 to S2.

[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. 2 shows an inventive embodiment of the method 1 according to FIG. 1. In this embodiment, the first step S1 of the sequence includes the reading in of location data from more than one source, for example. databases. In one possible embodiment, according to FIG. 2, address data 20, maps in the form of Open Street Maps (OSM) 21, GIS data 22 and satellite images 23 are read in, data from such databases often being accessible. In a next step, namely the pre-processing S2, the address data 20 are geocoded and assigned to a group. In the example shown in FIG. 2, the location data are geocoded or localized 24 and assigned to a group or rubric according to a predefined classification. The data of the satellite images 23 are vectorized in the pre-processing step S2 by a vectorization 25 in order to enable a later superimposition 26 in step S3 of the multiple data layers. In the present example according to FIG. 2, the superimposition 26 by means of layering S3 comprises the superimposition 26 of the preprocessed address data 20 with the OSM cards 21 and a selectable filter level, not shown here. Subsequently, in step S4 of the sequence, the layered address data 20 and OSM maps 21 are rasterized or regionalized using pattern recognition, GIS data 22 and the preprocessed satellite images 23 . Regionalization means the subdivision or division of an area into smaller sub-areas or regions. The differentiation and classification in step S4 includes a rasterization/regionalization 27 of the layered address data 20 and OSM maps 21, with a four-dimensional cluster level being created on the basis of the layered point and filter level. Such a resulting cluster level comprises several groups of data objects with similar properties. In possible embodiments, the four-dimensional cluster level can include business-relevant information such as density of a parameter, quantitative dynamics as well as qualitative dynamics of a parameter, and time as a discrete variable. After creating the four-dimensional cluster level, the regionalized location data is analyzed using an analysis module. In one possible embodiment, the analysis S5 using the analysis module can be carried out using a Ripley function and/or LISA (“Local Indicators of Spatial Association”) Markov sequence 28 . The latter is an exploratory space-time analysis, which describes the transition from one state of a system to another state of the system based on transition values based on limited knowledge of the previous history. These transition values contain information about the transition probabilities. Based on the results of the analysis, command data are generated in step S6, the command data comprising geographic reference data coupled with a time component, which in one embodiment includes locations and their status (quantitative and qualitative dynamics) at certain points in time (time as a discrete variable ) could be. In the embodiment of the present invention shown in FIG. 2, the geographic reference data can be generated by linking the various data, for example address data, OSM maps, GIS data and satellite images, with the linking taking place using steps S2 to S6. The LISA Markov sequence is also suitable in other possible embodiments for determining prosperous and non-prosperous locations, optimal business mixes for (failure) success of a location, business hierarchies on which prosperity depends, potential risks in the geographical environment and more. The last step S7 of the sequence according to the method 1 according to the invention in FIG. 2 includes an interactive, movable visualization of the location data in the form of a mapping 29 on a human interface. The mapping enables a temporal and spatial manipulation of the data, generating a retrospective as well as a prospective and intuitively perceptible representation.

[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. 3a and 3b show a schematic view of the superimposition of several levels by means of layering S3 according to the method 1 according to the invention. Layered location data 2 contain three levels here, namely a map level 11, a point level 12 and a filter level 13. The map level 11 is used as a level of orientation without analytical significance. In one possible embodiment, the map layer can be an Open Street Map (OSM). The point level 12 contains the data, including coordinates, of the entities or facilities to be researched. In one possible embodiment, the point level consists of the location data of business premises, parking lots, bus stops and/or similar points of interest (POI). The filter level 13 fulfills the purpose of filtering according to a selectable parameter. Referring to the examples already mentioned, the filter level 13 of FIG. 3 can filter the layered location data according to time, business category, legal form and/or others. The links or connections 14 of individual points of the point level are shown in FIG. 3b. This can be done in possible versions by features such as transaction features. Other possibilities are links between individual entities in the same category, for example businesses that belong to a specific business category.

[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. 4 is a schematic representation of a Markov process 3. Three possible states of a system are shown, namely A, B and C. Possible transitions from one state to another state are represented by arrows. The transitions are each labeled with a transition value Tw(1) to Tw(9). For example, Tw4 is the transition value for the transition from state A to state C. There is also the possibility of a state repeating, as represented by Tw1, Tw2, and Tw3. As can be seen from Figure 4, the transitions from one state to another depend only on the transition undertaken immediately before and does not change when additional information about the past transitions is taken into account. This "memoryless" property underlies the Markov process 3 and enables forecasts to be made without knowing the entire history of a system.

[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. In a possible embodiment, successful business ecosystems and their spatiotemporal development over a limited period of time can be used as reference models with reference tenants. In this way, the transition probabilities of individual businesses and tenants from or to a location can be determined and an optimal business mix within the location can be determined using the Markov process 3.

[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. In a further possible embodiment, the analysis of the regionalized location data can be carried out using a LISA (“Local Indicators of Spatial Association”) Markov sequence. LISAs are indicators that indicate and assess local clusters in the spatial arrangement of a given variable. A LISA has two important characteristics, firstly it provides a statistic for each location with a rating of significance, and secondly it establishes a proportional relationship between the sum of the local statistics and a corresponding global statistic. In a conventional location analysis using the Markov process, the influences of local clusters with higher or lower variable density are neglected. Especially when applying the business tenant search, local clusters have a significant impact on the success of a business ecosystem and should therefore be taken into account.

[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. shows a schematic representation of a computer system 110 with means for executing the inventive method 1. The computer system 110 is connected to a network 111, the network containing at least one database or advantageously several databases 120, 121, 122, which contain location data. In one possible embodiment, the network 111 can correspond to a known network type. Further additional databases 112 can provide further location data, for example external offline databases. The computer system 110 includes a reading device 113 for reading in location data from at least one database. The reading device 113 also includes means for creating lists from databases, such as POI lists. The reading device 113 is connected to a preprocessing module 114, which geocodes the read-in location data and assigns it to predefined groups. The preprocessing module 114 has means for vectorization, with which image data can be vectorized so that they can then be displayed on a map together with the location data. The computer system 110 also has at least one processor 115, which is used, among other things, for the differentiation and classification of the layered location data into regionalized location data. After differentiation and classification, the regionalized location data is analyzed by an analysis module 116 and based on the results geographic reference data coupled with a time component is generated. The analysis module 116 has means for executing the analysis methods and sequences already mentioned, such as a LISA Markov sequence. In addition to the components already mentioned, the computer system 110 also has an output device 117 that is connected to a display 118 . The output device 117 with the display 118 enables an interactive, movable representation of the geographic reference data in space and time, which enables an optimized, intuitive and interactive perceptibility for the operator.

[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. Fig. 6 shows a possible embodiment of the method and system according to Fig. 5. In the illustrated embodiment, location data in the form of address data 20, OSM maps 21 and GIS data 22 from the network 111 are read by the reading device 113 of the computer system 110 read in step S1. In addition, satellite images 23 are advantageously read in from an additional database 112, it being possible for this additional source to be an offline database in one possible embodiment. The processor 115 is provided in the illustrated example for the execution of steps S2 to S6. The step of preprocessing S2 contains here the geocoding and the vectorization of the data, the analysis S5 and the generation of command data S6, the processor 115 also being provided and equipped for the steps of overlay S3 and the differentiation and classification or rasterization and regionalization S4 is. The visualization then takes place via the output device 117, an advantageous visualization being shown on a display 118 in FIG.

[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. 7 is an advantageous embodiment of the visualization of location data in a rendering in the form of a mapping. A data rendering 130 is implemented as an interactive moveable map showing the density of a parameter 131 at a location as a function of time, with a time component 132 in an interactive moveable bar that can be manipulated by the user. The location in the example shown corresponds to a Swiss inner city. A zoom function 133 is also present in the interactive moving visualization so that the user can adjust the area of interest himself. In this way, the complex data information can be presented to an operator.

[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. 8a to 8c show a visualization in a rendering in the form of a mapping 29 of data relating to a location. Figures 8a, 8b and 8c show the density of a parameter in the years 2009, 2016 and 2020 respectively. This data rendering, in the illustrated embodiment, is a visualization that serves as an interactive interface through which the location data can be communicated to the user in a comprehensible manner. Static and dynamic entities of a location and their spatio-temporal developments can be visualized and their synergy effects can be determined. In the examples shown in FIGS. 8a-8c, these entities can be transactions of a predefined category. The three figures illustrate how the dynamics within a location can be transmitted to the user by the computer system as a mapping 29 by means of data rendering (GUI). It can be clearly seen how the density of shops in a predetermined business category in downtown Basel has decreased over the years.

[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. 9 shows a three-dimensional visualization of location data for the canton of Basel-Stadt (data source: CH-GIS). Locations and the properties they contain are reproduced realistically. Based on this visualization, business ecosystems can be examined and their developments visualized. The 3D representation of the complex data information also allows the additional visualization of locality levels.

[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. Figure 10 is a schematic representation of a data handling process in one possible embodiment of the present invention. In the embodiment shown, the reading in of location data is implemented by mining, with location data being read in in the form of company, position and location data. In addition, POI data can be made available using OSM maps. The programming interface (API) connects the reading device 113 of the location data to a program library which contains a database system (DB). In the example shown, the pre-processing of the location data includes standardization, data cleaning or data cleansing, classification according to predefined groups (shown: industry classification) and pre-processing for rendering or geo-rendering. The risk analysis shown in FIG. 10 in the processing step includes an analysis according to the individual risk using Cox regression or gradient boosting, industry risk using Cox regression and location risk using LISA Markov sequence. Such an analysis makes it possible to examine location dynamics in more detail, as well as to provide a ranking of ideal tenants based on the risk analysis. Finally, the analyzed data can be visualized as a geo-rendering with a graphic user interface (GUI) on a display 118 . Area screening is also provided here, and this can be carried out using Flex-Scan, for example.

[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. The present invention shows a method for acquiring, processing and displaying location data and a computer system. It goes without saying that numerous other embodiments are conceivable for a person skilled in the art on the basis of the exemplary embodiments described.

BezugszeichenlisteReference List

[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) 1 Method according to the independent patent claims 2 Overlay according to the method according to the invention 3 Markov process 11 Map level 12 Point level 13 Filter level 14 Linking of individual points at point level 20 Address data 21 Maps 22 GIS data 23 Satellite images 24 Geolocation and time classification 25 Vectorization 26 Overlay of map and address data 27 Regionalization 28 LISA Markov sequence 29 Mapping 110 Computer system 111 Network 112 Additional database 113 Reader 114 Preprocessing module 115 Processor 116 Analysis module 117 Output device 118 Display 120 Database 1 121 Database 2 122 Database 3 A state A B state B C state C 130 data rendering 131 density of a parameter 132 interactive movable time component 133 zoom function S1 reading in of location data S2 preprocessing S3 overlay by layering S4 differentiation and classification S5 analysis module S6 generation of command data S7 visualization Tw1 transition value (A|A) Tw2 transition value (C |C) Tw3 transition value (B|B) Tw4 transition value (A|C) Tw5 transition value (C|B) Tw6 transition value (B|A) Tw7 transition value (ClA) Tw8 transition value (B|C) Tw9 transition value (A|B)

Claims

1. Method for collecting, processing and presenting location data, the method comprising the following steps: - Reading in location data (S1) comprising at least first location data and second location data; - Preprocessing (S2) of the first location data; - Preprocessing (S2) of the second location data; - Overlaying (S3) of the preprocessed first location data and the preprocessed second location data by means of stratification to form stratified location data; - Differentiation and classification (S4) of the layered location data by means of pattern recognition to regionalized location data; - Analyzing (S5) the regionalized location data using an analysis module; and - generating command data (S6) in response to analyzing the regionalized location data, the command data comprising geographic reference data coupled to a time component, and wherein the geographic reference data is displayed on an output device with an interactive movable time and space representation (S7 ) are issued.

2. The method according to claim 1, wherein the first and/or second location data is associated with at least one attribute and the reading (S1) of the first and/or second location data comprises creating lists from at least one database (120-122, 112). .

3. The method according to claims 1 and 2, wherein the pre-processing (S2) of the first and the second location data includes geocoding and time coding of the location data and subsequent assignment of the geocoded location data to predefined groups.

4. The method according to any one of claims 1 to 3, wherein the superimposition (S3) of the pre-processed at least first and second location data by means of layering further comprises: a) creating a map layer (11); b) creating a point plane (12); and c) creating a filter layer (13).

5. The method according to any one of claims 1 to 4, wherein the differentiation and classification (S4) of the layered location data by means of pattern recognition to regionalized location data includes creating a multidimensional geographic cluster level on the basis of the point (12) and filter level (13).

6. The method according to claim 5, wherein the multidimensional geographic cluster level comprises the following dimensions: a) density of a first parameter, b) quantitative dynamics of the first parameter, c) qualitative dynamics of the first parameter, and d) Time as a discrete variable.

7. The method according to any one of claims 1 to 6, wherein the analysis (S5) of the regionalized location data is carried out using an analysis module (116) on an exploratory space-time basis, and wherein the analysis module (116) comprises a LISA Markov sequence , which is performed at the cluster and filter level.

8. The method according to any one of claims 1 to 7, wherein the analyzing comprises generating transition matrices which contain transition values (Tw1-Tw9).

9. The method according to any one of claims 1 to 8, wherein the geographic reference data are output on an output device (117) with a display (118), so that a visualization (S7) of the geographic reference data takes place as a mapping (29).

10. Computer system (110) comprising means for executing the method according to any one of claims 1 to 9.