Project Description
Vorhersage der Auslastung eines Parkhauses
Die Vorhersage von Besucherströmen oder Verkehrsflüssen ist in Großstädten eine herausfordernde Aufgabe. Großstadt-Mobilität ist komplex und nicht immer rational, weshalb viele Einflussfaktoren die Auslastung eines Parkhauses bestimmen können. Beispielsweise:
- Uhrzeit (tagsüber ist mehr los als nachts)
- Wochentag (am Samstag ist mehr los als am Sonntag)
- Woche des Jahres (im Dezember ist mehr los als im Februar)
- Event in Dresden (Konzert, Kongress, Messe, …)
- verkaufsoffener Sonntag ja/nein
- Feiertag in Sicht? (ist ein Freitag frei oder ein Montag, ist es ein langes Wochenende und die Menschen strömen in die Stadt zum Shopping)
- Ferien
- Ferien in Tschechien (da viele Touristen nach Dresden kommen)
- Wetter
- …
Nicht alle Faktoren (im Machine Learning auch ‘Features’ genannt) sind leicht zu beschreiben, einige auch eher unwichtig, aber dennoch erhöhen sie die Modellgüte (im Machine Learning auch ‘Accuracy Score’ genannt). Ein Hauptproblem bleibt die heterogene Datengrundlage, welche es schwer macht alle Features zu ermitteln.
Am Beispiel des Parkhaus “Centrum Galerie” in Dresden. Es wurden folgende Features berücksichtigt: Kalenderwoche, Wochentag, Uhrzeit, verkaufsoffener Sonntag und die Anzahl der Werktage bis zum nächsten Feiertag. Angelernt wurde mit historischen Daten eines gesamten Jahres, welche die Anzahl der freien Parkplätze im Parkhaus alle 15min speicherten.
in grün: Machine Learning Vorhersage der Belegung des Parkhauses, in orange: Tatsächliche Belegung
Die Modellgüte liegt bei über 85%., nutzt man einen Regressor, liegt der Regressionskoeffizient
