Mobilitätsdatenanalyse (Modul MW2436)
Kontakt
Kontaktadresse: pr.mda.ftm(at)ed.tum.de
Online verfügbar
Das Praktikum wird im WiSe 2024 ausschließlich als Präsenz-Veranstaltung abgehalten. Nähere Informationen finden sich im moodle-Kurs
TUMonline
| Vortragende/r (Mitwirkende/r) | |
|---|---|
| Nummer | 0000003794 |
| Art | Praktikum |
| Umfang | 4 SWS |
| Semester | Wintersemester 2024/25 |
| Unterrichtssprache | Deutsch |
| Stellung in Studienplänen | Siehe TUMonline |
| Termine | Siehe TUMonline |
Teilnahmekriterien
Lernziele
Nach der Teilnahme am Modul sind die Studierenden in der Lage, die wesentlichen Elemente einer Datenanalyse Pipeline für Mobilitätsdaten zu benennen und ein entsprechendes Framework mit Open-Source Software aufzubauen. Darüber hinaus kennen die Studierenden verschiedene Möglichkeiten und Formate der Datensammlung, Aggregation und Speicherung. Sie sind in der Lage, selbstständig Mobilitätsaufzeichnungen durchzuführen und die gesammelten Daten auszuwerten. Sie beherrschen für diesen Zweck neben klassischen statistischen Auswertungsmethoden auch weitere – speziell für Mobilitätsdaten relevante – Methoden wie die Hotspotanalyse, das Räumliche Clustering, Geo-Fencing und einfache Machine Learning Verfahren zur Klassifikation von Fortbewegungsarten. Durch die Anwendung der genannten Methoden können sie die gesammelten Daten kritisch anhand üblicher Kenngrößen hinterfragen und entsprechende Visualisierungen generieren.
Beschreibung
• Grundlagen der (Geo-) Datenanalyse
• OSM/GIS
• Methoden in der Datenanalyse und Visualisierung
• Räumlich-zeitliche Daten und Clustering/Heatmaps
• Experiment 1: Datenerfassung und Fahrverhalten
• Experiment 2: Persönliche Mobilitätsdatenanalyse
• Projekt: Klassifizierung durch maschinelles Lernen
• OSM/GIS
• Methoden in der Datenanalyse und Visualisierung
• Räumlich-zeitliche Daten und Clustering/Heatmaps
• Experiment 1: Datenerfassung und Fahrverhalten
• Experiment 2: Persönliche Mobilitätsdatenanalyse
• Projekt: Klassifizierung durch maschinelles Lernen
Inhaltliche Voraussetzungen
Python Grundkenntnisse
Lehr- und Lernmethoden
Das Modul findet in Form eines Praktikums statt. Ein Praktikumstermin findet dabei je nach Termin in 1-2 Blöcken statt. Jeder Block beginnt mit der Erläuterung theoretischer Grundlagen zur Mobilitätsdatenanalyse in frontaler Wissensvermittlung mittels Präsentation und Live-Programmierung. Anschließend bearbeiten die Studierenden konkrete Aufgaben aus der Praxis in Form von betreuter Einzel- und Gruppenarbeit. In zwei Sonderterminen werden Versuche zur Mobilitätsdatenanalyse durchgeführt, wobei die Studenten unter Aufsicht aktiv an der Versuchsdurchführung teilnehmen. Mit diesen Methoden lernen die Studierenden also beispielsweise, die wesentlichen Elemente einer Datenanalyse Pipeline für Mobilitätsdaten kennen und sind in der Lage selbst ein entsprechendes Framework mit Open-Source Software aufzubauen. Sie lernen die verschiedenen Möglichkeiten und Formate der Datensammlung, Aggregation und Speicherung kennen und können selbstständig Mobilitätsaufzeichnungen durchführen und die gesammelten Daten vorverarbeiten und auswerten.
Studien-, Prüfungsleistung
Die Modulprüfung besteht aus kurzen schriftlichen Testaten (Beantwortung von Kurzfragen, 25 Punkte, 10 min, keine Hilfsmittel erlaubt), Hausaufgaben (Programmierprojekt, 25 Punkte, alle Hilfsmittel erlaubt) und einem kurzen Abschlussprojekt (90 Punkte).
Die Überprüfung von Fakten-, Detailwissen und dessen Anwendung erfolgt jeweils zu Beginn des Folgetermins entweder in Form eines Testats oder einer Hausaufgabe. Damit zeigen die Studierenden, dass sie die wesentlichen Elemente einer Datenanalyse Pipeline kennen und die GIS kennen und anwenden können. Nach dem letzten Termin wird ein Abschlussprojekt (Bearbeitung einer vorgegebenen Programmieraufgabe) durchgeführt. Damit zeigen die Studierenden, dass sie die gelernten Auswertungsmethoden und einfache Machine Learning Verfahren zur Klassifikation anwenden und die Ergebnisse auswerten können. Die Gesamtnote bildet sich aus der Punktesumme aus drei Testaten, drei Hausaufgaben und dem Abschlussprojekt.
Die Überprüfung von Fakten-, Detailwissen und dessen Anwendung erfolgt jeweils zu Beginn des Folgetermins entweder in Form eines Testats oder einer Hausaufgabe. Damit zeigen die Studierenden, dass sie die wesentlichen Elemente einer Datenanalyse Pipeline kennen und die GIS kennen und anwenden können. Nach dem letzten Termin wird ein Abschlussprojekt (Bearbeitung einer vorgegebenen Programmieraufgabe) durchgeführt. Damit zeigen die Studierenden, dass sie die gelernten Auswertungsmethoden und einfache Machine Learning Verfahren zur Klassifikation anwenden und die Ergebnisse auswerten können. Die Gesamtnote bildet sich aus der Punktesumme aus drei Testaten, drei Hausaufgaben und dem Abschlussprojekt.
Empfohlene Literatur
Thomas A. Runkler, Data Mining: Methoden und Algorithmen intelligenter Datenanalyse, Vieweg+Teubner Verlag (2010)
Baoguo Yang, Yang Zhang in Advanced Data Mining and Applications (2010)
Baoguo Yang, Yang Zhang in Advanced Data Mining and Applications (2010)