Datengestützte Wohnlagenanalyse – ein Open-Source-Projekt auf GitHub
Im vergangenen Semester haben Studierende der Wirtschaftsinformatik an der Technischen Hochschule Brandenburg im Rahmen eines Praxisprojekts eine spannende Fragestellung bearbeitet:
Wie lassen sich Wohnlagen innerhalb einer Stadt objektiv und datenbasiert bewerten?
Hintergrund war die Diskussion um Mietspiegel und Wohnlagenklassen, die üblicherweise von Kommunen und Gutachterausschüssen anhand von Kriterien wie Zentrumsnähe oder Lärmbelastung eingeteilt werden. Doch wie valide und nachvollziehbar sind diese Einteilungen? Und wie könnten moderne Methoden der Datenanalyse hier mehr Transparenz schaffen?
Vom Praxisprojekt zur Musterlösung
Unter dem Titel „Praxis-Projekt: Datengesteuerte Einstufung von Wohnlagen“ haben die Studierenden Daten zu Lärm, Erreichbarkeit von Ärzten und Supermärkten, Entfernungen zum Zentrum und weitere Faktoren verarbeitet.
Über Meetingpoint Brandenburg wurde bereits über die Ergebnisse berichtet.
Um die Ideen weiterzuführen und auch für die Öffentlichkeit nutzbar zu machen, habe ich im Anschluss eine Musterlösung entwickelt, die die Ansätze bündelt und in einem reproduzierbaren Code-Paket verfügbar macht.
Das Ergebnis steht nun auf GitHub bereit: https://github.com/AndreNitze/WohnlagenBRB
Bewertete Kriterien
In der aktuellen Version des Projekts werden folgende Faktoren berücksichtigt:
- Zentrumsnähe – Distanz zum Stadtzentrum
- Lärmbelastung – basierend auf Umwelt- und Verkehrsdaten
- medizinische Versorgung – Erreichbarkeit von Arztpraxen
- Einzelhandel & Versorgung – Anzahl und Nähe von Supermärkten
- ÖPNV-Taktung – Häufigkeit der Abfahrten an der nächsten ÖPNV-Haltestelle (“Headway”)
Die Kriterien werden standardisiert (z-Werte) und anschließend mithilfe von K-Means-Clustering zu Wohnlagenklassen gruppiert.
Technische Umsetzung
Das Projekt ist als Jupyter-Notebook umgesetzt und nutzt Python-Bibliotheken aus dem Bereich der Datenanalyse und Geoinformation. Wichtige Bausteine sind:
- K-Means-Clustering zur automatischen Gruppierung von Wohnlagen
- z-Werte zur relativen Bewertung einzelner Merkmale
- GeoPandas & Folium zur Visualisierung in Kartenform
- flexible Erweiterbarkeit um neue Kriterien (z. B. ÖPNV-Qualität, Bahnübergänge, Bildungseinrichtungen)
Damit können Interessierte selbst nachvollziehen, wie sich aus offenen Geodaten ein systematisches Wohnlagenmodell für Brandenburg an der Havel ableiten lässt.
Perspektiven und Einsatzmöglichkeiten
Die Musterlösung ist bewusst so gestaltet, dass sie übertragbar auf andere Städte ist. Mit entsprechend aufbereiteten Adress- und Umgebungsdaten lässt sich das Modell schnell anpassen.
Besonders interessant sind folgende Perspektiven:
- Kommunale Anwendungen zur Validierung oder Ergänzung offizieller Wohnlagenklassifikationen
- Lehre und Forschung im Bereich Data Science, Stadtentwicklung und Geoinformatik
- Diskussion in der Öffentlichkeit, wie Datenmethoden zu mehr Nachvollziehbarkeit bei sensiblen Themen wie Mietspiegeln beitragen können
Für mich ist das Projekt ein schönes Beispiel, wie Studierendenprojekte, angewandte Forschung und Open Source ineinandergreifen können: Von der Idee über die Umsetzung im Semester bis hin zur Veröffentlichung als GitHub-Repository.
Digitale Verkehrszählung in Brandenburg an der Havel
Der RBB berichtete am 26.11.2024 in der Sendung “rbb24 Brandenburg aktuell” über unser Projekt zur Verkehrszählung in der Stadt.
Vortrag zur KI-gestützten Verkehrswende auf dem KI-Tag des Landes Brandenburg 2024
Vortrag auf dem KI-Tag des Landes Brandenburg 2024 – Vorträge und Impulse aus dem Bereich KI
Pilotprojekt “Bodensensorik mit LoRaWAN” gegen Trockenheit und Wasserverschwendung
Der Stadtkanal Brandenburg (SKB) berichtete am 02.09.2022 über unser Pilotprojekt zur Bodensensorik mit Hilfe von LoRaWAN.
Vortrag zum Europäischen Digitaltag 2021 mit erstem Anwendungsfall für das IoT-Netzwerk in Brandenburg
Auf Einladung der Digitalagentur Brandenburg (DABB) habe ich am vergangenen Freitag, den 18.06.2021, einen Kurzvortrag zum Thema “Besucherströme per Sensorik messen” gehalten.
Einen Tag zuvor konnte die TTN-Community Brandenburg gemeinsam den ersten Gateway und Sensor des IoT-Netzwerks in Betrieb nehmen. Die Daten werden nun auf der öffentlich verfügbaren, prototypischen Karte dargestellt:
Das Projekt ist nun auch auf der Digitalisierungslandkarte der Digitalagentur verlinkt:
Ernennung zum Professor für das “Internet of Things”
Ich wurde zum Professor an die Technische Hochschule Brandenburg berufen!
- Artikel der Märkischen Oderzeitung (MOZ, 19.10.2020):
Neuer Professor will in Brandenburg an der Havel das Internet der Dinge etablieren - Ankündigung des Ministeriums für Wissenschaft, Forschung und Kultur (MWFK, 31.08.2020):
Zukunft wird in Brandenburg gemacht - Industrie- und Handelskammer (IHK) Ostbrandenburg
“Wir beschäftigen uns mit der Welt” (Online-Reader, IHK) oder den Artikel als PDF-Download. - Mein Profil im Fachbereich Wirtschaft der Technischen Hochschule Brandenburg:
Prof. Dr.-Ing. André Nitze
Artikel zu Cybersicherheit im “Internet der Dinge”
Neuer Artikel über Cybersicherheit im Internet der Dinge, erschienen auf “DZone / IoT Zone”.
Zum Artikel: “The Bots Are Coming! – How to not be part of the planet’s largest botnet”
Vortrag zu IoT Security auf der Enterprise Computing Conference 2020
Präsentation im Rahmen des Workshops “OpenAPIs / API Management” im Rahmen der Enterprise Computing Conference (ECC) 2020
Artikel zu Software-Anforderungen in Scrum-Projekten
Neuer Artikel über das Schreiben von Anforderungen, erschienen auf “Medium”.
Zum Artikel: “How To Write Great User Stories”
Machine-Learning-Projekt mit OpenCV, YOLO und COCO
Ergebnis einer maschinellen Objekterkennung auf öffentlichen Webcam-Bildern der Stadt Brandenburg an der Havel (MAZ Zeitungsartikel, Webcam, Anleitung)
