Геоинформационный сервис
Геомаркетинг на основе больших данных
Оценка привлекательности жилья на основе геомаркетинговых систем. При оценке привлекательности жилья следует учитывать ряд факторов. Общее правило очевидно: последовательно теряются с течением времени потребительские свойства недвижимости, что приводит к снижению ее полезности, то есть к уменьшению ее стоимостии. Разбиение региона на кластеры позволяет сформировать интеллектуальную оценочную модель на основе нейро - сетевых методов [35]. Данная модель реализует процесс оценки кластеров в виде многослойного персептрона. По исходным данным формируется нейросетевая модель, результатом которой являются карты Кохонена.
Этап визуализации ранее полученных результатов осуществлялся с использованием возможностей геоинформационной системы (ГИС). Концепция оценки кластеров включает в себя следующие этапы: сбор исходных данных, создание математической модели оценки недвижимости, оценка параметров модели на основе непараметрических методов статистики, формулировка задачи в нейросетевом базисе, анализ параметров математической модели оценки недвижимости, основанный на результатах обучения нейронной сети. Предлагаемый подход к оценке городских кластеров позволяет расширить круг решаемых оценочных задач. В этом случае в математической модели учитывается субъективность, и тем самым повышается точность расчетов и снижаются затраты на их корректировку с течением времени.
Прогнозированние финансовых показателей премиальных магазинов одежды. Одной из первых задач обработки геопространственных данных является из геокодирование [35]. К целевой переменной прибавляются координаты. Далее данные привязываются к каждому квадрату (кластеру).
С помощью машинного нейросетевого обучения мы можем предсказывать, какая прибыль будет в каждом квадрате, т.е. какая будет прибыль магазина, если поставить его в тот или иной квадрат.
Далее необходимо нарисовать портрет потенциального покупателя, у которого достаток выше среднего. Необходимо понять, где они живут, для этого открываем геоинформационную систему, включаем необходимый слой. Богатые люди живут там, где самая дорогая недвижимость. Далее нужно понять поедут они в потенциальный магазин или нет. Для этого используем модель Хаффа.
Возьмем один магазин и одну точку проживания человека. С какой вероятностью человек из этой точки (квадрата) поедет на другой конец города? В качестве веса берем количество магазинов одежды в данном квадрате. И распределяем людей из данного квадрата по точкам вокруг него. Получаем, что с вероятностью 10% он поедет в магазин Д, с вероятностью 8% он поедет в магазин С и таким образом по всем магазинам. В квадрате у нас есть % количества людей, которые являются потенциальными покупателями, что может принести в будущем прибыль. Берем самые дорогие 20% недвижимости и вместо того, чтобы указывать количество людей, которое относится к данному магазину, пишем количество людей, умноженное на стоимость квадратного метра, и получился своеобразный эквивалент людей и денег. Богатый человек, который придет в магазин принесет больше прибыли, нежели 2 небогатых человека.
В результате машинного обучения формируется модель, которая используется в данной задаче. Исходную информацию представляет заказчик в виде таблицы с колонками: адрес, площадь и продажи по годам. Далее производится геокодирование данных, т.е. получение широты и долготы. Следующий этап - задание функции цели. По объему продаж за предыдущий период можно узнать, сколько магазин способен в идеале продавать. Строим регрессионную модель - это модель, которая будет получать на входе количество тех или иных объектов для любой точки. Берём все квадраты, которые есть в Москве и определяем для них прибыль. Получаем таблицу прибыли. Результаты заносим на карту (Рис. 2.1).
Выбор оптимального решения для расположения отделения банка. Создаются базовые слои, в которых для каждой ячейки выводится исходное значение для каждой переменной (именно в данной ячейке 100х100 метров).
В эти слои будут входить внешние данные: благосостояние, население, трафик, остановки, маршруты, конкуренты банка. После загрузки настраиваем отображение каждой сетки, добавляем цвет, изменяем градиент, добавляем текст и сохраняем.
Создаём агрегирующие слои, в которых в одной ячейке содержится число, равное сумме ячеек базового слоя в соответствующем радиусе.
Создаём бинарные относительные слои, в которых балл ставится в соответствии с принятым экспертным правилом. Создаём слой "Нормированный экспертный балл" (значения от 0 до 50) - переменная, агрегирующая информацию по 6 экспертным правилам (выбраны подрядчиком на основе опыта), заложенным в модель.
Создаём слой метки Отделения СКБ, при котором данные отображаются на карте в виде характеристик каждой метки. Аналогично создаём слой отделения конкурентов. Создаём слой предсказание рентабельности - для каждой ячейки выводится значение предсказанной по модели (машинное обучение) рентабельности офиса, в случае присутствия в этой точке (аналог показателя финансового результата до локации).
Создаём слой балл модели рентабельности - результат нормирования (преобразование в сопоставимую шкалу от 0 до 50) переменной "Предсказание рентабельности", которая получена путем машинного моделирования показателя рентабельности для каждого офиса на основе внешних факторов (благосостояние, численность населения, торговые центры в радиусе 2000 м., автостоянки/парковки в радиусе 2000 м.).
Слой решения - результат анализа сети офисов банка - для каждого офиса оценка его потенциала с учетом предпосылок по локации.
На карте отображается в виде раскрашенной метки в соответствии со следующими правилами.
С помощью геоинформационной системы на карте визуально отображаем потенциальные локации для отделений банка.
В результате проведенной работы были апробированы комбинированные методы геомаркетинга, позволяющие оценить расположение отделения банка, а также решить задачи размещения новых отделений. Перспективными зонами для открытия отделений банка являются территории с высокой плотностью населения как проживающего на данной территории, так и работающего, с большим числом организаций и объектов торгово-развлекательного назначения. Применение данной методики способствует грамотной организации банковской сети.
Использование геоинформационных служб для спасательных работ. Есть фирмы, которые используют геосервисы, чтобы помочь координаторам поиска и спасания определить, какие районы необходимо осмотреть, чтобы спасти людей, как зарегистрировать местонахождение членов экипажа, если они упали за борт и т. д.
В Российской Федерации ведется определенная работа по созданию агентств по чрезвычайным ситуациям с использованием единого номера 112. В этих агентствах активно используются геоинформационные службы, обеспечивающие картирование инцидента, места нахождения транспорта и оперативных служб на карте местности.
Геоинформационные службы предоставляют оператору подробную карту местности, на которой отображаются здания, дороги, объекты инфраструктуры. Позиция подписчика определяется автоматически. В случае аварийной ситуации, например, при выбросе вредных веществ в атмосферу, оператор сможет быстро найти социально значимые объекты и спланировать меры по спасению людей.
Эти услуги также позволяют находить необходимую справочную информацию, контролировать транспортные средства и строить оптимальные маршруты для оперативного прибытия спасателей в пострадавший район.
Геосервисы коммунальных услуг. Некоторые из наиболее распространенных приложений геосервисов включают местные органы власти, которые помогают жителям найти ближайшие общественные службы, такие как учреждения досуга, школы, транспорт и обработка. Пространственная информация все больше связывает потребителей и предприятия с помощью услуг на основе определения местоположения, определяемых через мобильное устройство с картами и другими данными, чтобы связать потребителей с местными услугами, такими как стоматология, парикмахерские, кафе и т. д. Пространственная информация служит основой для управления и планирования.
Геосервисы в строительстве и археологии. В области программного обеспечения название геосервис связано с двумя типами: поддержка геоинформационных систем и разработка интерфейсов для работы с пространственной информацией. Последняя категория относится к геосервисному интерфейсу прикладного программирования, который предоставляет разработчикам согласованный и полный доступ к структурированным данным. Используя интерфейс геосервиса, разработчики могут запрашивать данные с помощью SQL-подобных предложений геопространственных и временных фильтров, выполнения агрегации, сортировки, текстового поиска и пространственной проекции. Геоуслуги включают в себя возможность обеспечения безопасности частных домов, квартир и гаражей, а также обследования для выбора площадки строительства и строительства частных и инженерных сооружений.
Геоуслуги также означают услуги по археологическим исследованиям и раскопкам. Археологические геосервисные компании объединяют специалистов в области геофизики, геометрии и геоархеологии для предоставления специализированных материалов и широкого спектра услуг для проектов клиентов.
Геоинформационная служба на железнодорожном транспорте. Одной из основных целей создания геосервисов для железнодорожного транспорта является обеспечение комплексной пространственно согласованной информации по всем сферам его деятельности [6, 23, 32]. Геоинформационные службы должны обеспечивать ведение единой, оперативно обновляемой базы данных геоинформационных дорожных данных на всех иерархических электронных картах, планах и масштабных схемах, а также средств обмена информацией с другими автоматизированными системами.