ReadMe

README.md

@@ -1,2 +1,51 @@
-# parcaster
-Analysis and ML based prediction of free parking spaces in St. Gallen.
+# ParCaster
+## Ausgangslage
+Die Suche nach einem Parkplatz hat viele negative Auswirkungen, wie z. B. Zeit-, Treibstoff- und Emissionsverschwendung, überhöhte Parkgebühren usw. Um die Parkplatzsuche zu erleichtern, ist das Ziel dieses Projekts durch die Anwendung von maschinellem Lernen die Verfügbarkeit von Parkplätzen in der Stadt St. Gallen zur geschätzten Ankunftszeit der Nutzer vorherzusagen. Der Nutzer erhält eine personalisierte Parkplatzempfehlung.
+
+
+## Beschreibung ParCaster
+ParCaster ist eine künstliche Intelligenz, welche freie Parkplätze in der Stadt St. Gallen vorhersagt. Das zugrundeliegende Modell erstellt aufgrund von Inputs wie z.B. der Wetterprognose, von Feiertagen und Veranstaltungen oder auch Schulferien entsprechende Prognosen.
+Der Nutzer kann auf der Website die voraussichtliche Parkzeit eingeben, worauf ParCaster die Anzahl freie Parkplätze je Parkgarage in der Stadt St. Gallen vorhersagt. Der Nutzer spart Zeit und Geld.
+
+### Website ParCaster
+https://parcaster.github.io/
+
+
+## Vorgehen und Implementierung
+Die Entwicklung des ParCasters kann in die Schritte Datapreprocessing, Medellentwicklung und Erstellung des Web-Services unterteilt werden. Die einzelnen Schritte werden nachfolgend kurz erläutert:
+
+### Data und Datapreprocessing
+Die Daten, welche dem entwickelten Modell zugrunde liegen, werden vom Open-Data-Portal der Stadt St. Gallen (https://daten.stadt.sg.ch/explore/dataset/freie-parkplatze-in-der-stadt-stgallen-pls/table/?disjunctive.phid&disjunctive.phname) öffentlich zur Verfügung gestellt. In den Daten wird dargestellt, wie viele Parkplätze zu einem bestimmten Zeitpunkt in den Parkgaragen der Stadt St. Gallen frei sind. Die zur Verfügung stehenden Daten sind aus dem Zeitraum zwischen Oktober 2019 und November 2023. 
+Bevor die Daten für die Kalibrierung des Modells verwendet werden, werden sie bereinigt. U.a. werden Ausreisser entfernt. Zudem werden die Daten Normalisierung und neue Features generiert. 
+
+### Modellentwicklung
+Mit den vorbereiteten Daten wird ein LSTM (https://de.wikipedia.org/wiki/Long_short-term_memory) in Python trainiert. Dabei werden unterschiedliche Werte für diverse Parameter (u.a. Anzahl Layer, Batch-Size, Optimizer) ausprobiert. Als Loss-Function wird der RMSE verwendet. Die Resultate werden mit Weigths & Bias getrackt. Die Ergebnisse können auf der folgenden Homepage eingesehen werden: https://wandb.ai/parcaster/pp-sg-lstm/sweeps/zx34brsw?workspace=user-
+
+Die untenstehenden Grafiken zeigen den Vergleich der Vorhersage mit den effektiven Werten nach dem Training:
+
+
+**Vorhersage vs. effektive Werte für den 01-03-2023 00:11 Uhr**
+
+![Prediction 1](/docs/images/prediction-run-2cg5mebb-2023-03-01_0011.png "Prediction 01-03-2023 00:11")
+
+
+**Vorhersage vs. effektive Werte für den  01-03-2023 02:27 Uhr**
+
+![Prediction 2](/docs/images/prediction-run-2cg5mebb-2023-03-01_0227.png "Prediction 01-03-2023 02:27")
+
+
+### Erstellung Web-Service
+Das trainierte Modell wird über einen API auf HEROKU deployed. Damit der Nutzer für den benötigten Zeitpunkt eine Prognose zu den freien Parkplätzen abfragen kann, wird ihm ein User Interface zur Verfügung gestellt. Das User Interface wird mit Github Pages erstellt. 
+
+
+## Nächste Schritte
+- Verbesserung des Modells (LSTM)
+- Weitere Modelle testen (statistische Modelle, Transformer)
+- Preprocessing der Daten verfeineren (z.B. weitere Features entwickeln)
+
+
+##  Mögliche Weiterentwicklungen
+- Vorteile der einzelnen Parkmöglichkeiten in User Interface darstellen (z.B. überdacht vs. nicht-überdacht)
+- Distanz zum Zielort in Vorschlag einarbeiten
+- Parkplatz über User Interface vorreservieren für gewünschten Zeitpunkt
+