Rocero: Auswertung des Füllverhaltens der Glassammelstellen
Wir haben Korrelation zwischen Bevölkerung und Füllverhalten analysiert, sowie eine zeitliche Vorhersage der Füllhöhe pro Sensor errechnet.
Open Data Hack SG 2023: Füllverhalten von Glas-Sammelstellen
-
Untersuchung der Fülldaten
-
Bereinigung der Fülldaten
- Ausreisser entfernen
- Glätten
-
Splitten der Daten in Perioden zwischen Entleerungen
-
Trainieren eines linearen Modells mit linearer Regression
-
Graphen von den Trainieren Modellen
Aufbau des Repos
- Sensordaten und lineares Modell
src/prepare_and_split_data.py: Script um Sensordaten zu Bereinigensrc/prepare_and_split_data.ipynb: Experimenteller Code um Sensordaten bereinigensrc/calculate_slope_per_station.py/.ipynb: Füllgeschwindigkeiten von bereinigten Sensordaten berechnen.src/calc_prediction_accuracy.py: Berechnen des Standard Errors mit Testdaten.
- Zusammenhang von Füllgeschwindigkeit und Bevölkerungsdichte
src/get_population_per_collection_point.py: Zuweisen von Quartier/Bevölkerung und Sammelstellesrc/calculate_slope_with_population.py: Untersuchung von Zusammenhang
Resultate
Diagramme und Grafiken in img/ Ordner.
Füllgeschwindigkeiten und weitere statistische Werte in results/*_slopes.csv.
Infos
- So, 9:00: Submission
- Dribdat Project https://hack.opendata.ch/event/66
- 3min Pitch Video
Team
- Dominik Gschwind, @N3xed
- Cedric Christen, @cedi4155476
- Roman Weiss, @romanweiss123
- Roméo Bornand
Preview of
external content.
Previous
Open Data Hack St.Gallen
Next project

