Open Data Hack SG 2023: Füllverhalten von Glas-Sammelstellen

• Untersuchung der Fülldaten

  • Sensor-Datensets

• 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

  • Weisglas
  • Grünglas
  • Braunglas

Aufbau des Repos

• Sensordaten und lineares Modell
  • src/prepare_and_split_data.py: Script um Sensordaten zu Bereinigen
  • src/prepare_and_split_data.ipynb: Experimenteller Code um Sensordaten bereinigen
  • src/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 Sammelstelle
  • src/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