La sección de resultados está enfocada en darle al usuario una visión de contexto sobre cómo opera el mercado en la zona de acción donde se construirán los proyectos definidos en el simulation frame. Para eso brinda dos tipos de información.
2. Explore results
Real Estate Context:
Predominant offer type: El output serían tres html_static indicando la probabilidad de encontrar suelo urbano disponible, oferta residencial y no residencial. Algo así:
Available urban land
Residential Offer
Para esta predicción se define una función de densidad y un target de predicción de dos clases (pertenece/no pertenece).
TODO 1: El modelo que hace esto ya está definido acá. El mismo se ejecuta acá para obtener la probabilidad de encontrar oferta del tipo de la clase target. Lo que habría que hacer es registrar los building types de cada tipología de oferta en schemas (urban land, residential y non residential units) y llamar a cada una tres veces cuando se ejecuta el modelo como se hace desde acá.
Prices:
En esta sección se ejecuta una regresión geográficamente ponderada donde se llama a las variables explicativas definidas en el simulation frame. La idea es que esto se repita para las tres tipologías de oferta (suelo urbano, unidades residenciales y no residenciales). A continuación se muestra un ejemplo con una tipología residencial:
Model output
Model performance
Predictions
Esta predicción muestra el valor de un departamento de 70m2. Respecto del modelo, es una Regresión lineal ponderada geográficamente que trabaja con un objeto de tipo SPD (Spatial Point Dataframe). No se define una función de intensidad y el modelo se arma de la siguiente manera gwr.model = gwr(precio~sup+expvars,data=deptos.spdf,bandwidth = 0.2).
TODO 2. Agregar un archivo prices.pyacá. Ahí, instanciar un str con el código en R de la implementación de una GWR. Para su implementación seguir offer_type.py.
TODO 3. Variables explicativas (entorno urbano). Acá el usuario puede definir el uso de variables explicativas en su regresión geográficamente ponderada. La idea es que se pasen al wrapper de R como parametro de la función que corre este modelo. Para eso, es necesario que el dataset de properaty tenga una columna con cada uno de los siguientes atributos:
streets greenery, public space availability, isin 15' area.
Para el primero se podría usar este dataset que ya tiene todo el índice precomputado y asignarle a cada uno de los puntos del dataset de properaty el valor del GVI más cercano o algún promedio en la zona.
Para el segundo, se podría computar si la propiedad está o no a 15 min de un parque. O bien algún promedio de disponibilidad del tipo m2 por habitante.
Para el tercero, se podría correr una isocrona para toda la ciudad y ver si los puntos de properaty caen dentro o fuera de esa superficie. Así, se la podría usar como una dicotómica en la regresión (esta ofertado en un área de provisión de 15 minutos o no).
TODO 4. Actualizar el dataset de properaty que se usa aca. Para ello, se puede usar este recurso. Sobre la query, no hace falta implementar ningun otro filtro más que el BBOX de la ciudad de Buenos Aires. No hace falta filtrar por tipologia ni precio. Sería bajar una sola vez el último dataset de puntos para la CABA
PyMap
commented
1 year ago
La sección de resultados está enfocada en darle al usuario una visión de contexto sobre cómo opera el mercado en la zona de acción donde se construirán los proyectos definidos en el simulation frame. Para eso brinda dos tipos de información.
2. Explore results
Predominant offer type: El output serían tres html_static indicando la probabilidad de encontrar suelo urbano disponible, oferta residencial y no residencial. Algo así:Para esta predicción se define una función de densidad y un target de predicción de dos clases (pertenece/no pertenece).
TODO 1: El modelo que hace esto ya está definido acá. El mismo se ejecuta acá para obtener la probabilidad de encontrar oferta del tipo de la clase target. Lo que habría que hacer es registrar los building types de cada tipología de oferta en
schemas(urban land, residential y non residential units) y llamar a cada una tres veces cuando se ejecuta el modelo como se hace desde acá.Prices:En esta sección se ejecuta una regresión geográficamente ponderada donde se llama a las variables explicativas definidas en el simulation frame. La idea es que esto se repita para las tres tipologías de oferta (suelo urbano, unidades residenciales y no residenciales). A continuación se muestra un ejemplo con una tipología residencial:
Esta predicción muestra el valor de un departamento de 70m2. Respecto del modelo, es una Regresión lineal ponderada geográficamente que trabaja con un objeto de tipo SPD (Spatial Point Dataframe). No se define una función de intensidad y el modelo se arma de la siguiente manera
gwr.model = gwr(precio~sup+expvars,data=deptos.spdf,bandwidth = 0.2).TODO 2. Agregar un archivo
prices.pyacá. Ahí, instanciar un str con el código en R de la implementación de una GWR. Para su implementación seguiroffer_type.py.TODO 3. Variables explicativas (entorno urbano). Acá el usuario puede definir el uso de variables explicativas en su regresión geográficamente ponderada. La idea es que se pasen al wrapper de R como parametro de la función que corre este modelo. Para eso, es necesario que el dataset de properaty tenga una columna con cada uno de los siguientes atributos:
streets greenery,public space availability,isin 15' area.Para el primero se podría usar este dataset que ya tiene todo el índice precomputado y asignarle a cada uno de los puntos del dataset de properaty el valor del GVI más cercano o algún promedio en la zona.
Para el segundo, se podría computar si la propiedad está o no a 15 min de un parque. O bien algún promedio de disponibilidad del tipo m2 por habitante.
Para el tercero, se podría correr una isocrona para toda la ciudad y ver si los puntos de properaty caen dentro o fuera de esa superficie. Así, se la podría usar como una dicotómica en la regresión (esta ofertado en un área de provisión de 15 minutos o no).
TODO 4. Actualizar el dataset de properaty que se usa aca. Para ello, se puede usar este recurso. Sobre la query, no hace falta implementar ningun otro filtro más que el BBOX de la ciudad de Buenos Aires. No hace falta filtrar por tipologia ni precio. Sería bajar una sola vez el último dataset de puntos para la CABA