-- Die im Dashboard ausgewählte Bike-Station, aufschaltbare Top-Stationen aus "Station-Dashboard-To" und "Station-Dashboard-From"
-- Dimensionen: 1
+- Beobachtungsraum:
+
+- Die im Dashboard ausgewählte Bike-Station
+- aufschaltbare Top-Stationen aus "Station-Dashboard-To"
+- aufschaltbare Top-Stationen aus "Station-Dashboard-From"
+
+
+- Dimensionen: 3
|
@@ -189,7 +196,7 @@ Ausprägungen:
Dimensionen: 3
-diskret, numerisch
+diskret
nominalskaliert
|
@@ -203,7 +210,7 @@ Ausprägungen:
## Station-Dashboard-Borrow-Duration
-Dieses Chart visualiert die durchschnittliche Ausleihdauer für die gerade ausgewählte Station in Bezug auf die Zeitspanne in der der Benutzer diese analysieren möchte.
+Dieses Chart visualiert die durchschnittliche Ausleihdauer für die gerade ausgewählte Station in Bezug auf die Zeitspanne, in der der Benutzer diese analysieren möchte.
@@ -275,7 +282,7 @@ Hier möchten wir den Durchsatz einer Station in Relation zur Tageszeit abbilden
### Abweichung vom Projektplan
-Ursprünglich wollten wir den Durchsatz der Station nach Ankunft und Abfahrt klassifizieren. Schnell wurde klar, dass wir dies anhand des vorliegenden Datensatzes nicht tun konnten. Daher haben wir uns entschieden, die Fahrten allgemein in Bezug auf die Tageszeit anzuzeigen. Und zusätzlich dazu die durchschnittliche Ausleihdauer der Fahrten zu gegebener Tageszeit. Daraus ergab sich eine amüsante Erkenntnis. Zwischen 1:00 - 4:00 Uhr finden nur sehr wenige Fahrten statt, haben aber in fast allen Stationen die meiste Ausleihdauer vorzuweisen. Man könnte darauf schließen, dass hier Diebstähle begangen wurden oder betrunkene das Fahrrad als Taxi-Alternative betrachtet haben.
+Ursprünglich wollten wir den Durchsatz der Station nach Ankunft und Abfahrt klassifizieren. Schnell wurde klar, dass wir dies anhand des vorliegenden Datensatzes nicht tun konnten. Daher haben wir uns entschieden, die Fahrten allgemein in Bezug auf die Tageszeit anzuzeigen. Zusätzlich dazu zeigen wir die durchschnittliche Ausleihdauer der Fahrten zu gegebener Tageszeit an. Daraus ergab sich eine amüsante Erkenntnis. Zwischen 1:00 - 4:00 Uhr finden nur sehr wenige Fahrten statt, haben aber in fast allen Stationen die meiste Ausleihdauer vorzuweisen. Man könnte darauf schließen, dass hier Diebstähle begangen wurden oder betrunkene das Fahrrad als Taxi-Alternative betrachtet haben.
### Ergebnis
@@ -323,7 +330,7 @@ keine
## Map-Accidents
-Hier möchten wir Unfälle mit Fahrradbeteiligung auch wie die Stationen als Marker auf der Map visualisieren. Diese werden nach Schwere untergliedert und farblich gekennzeichnet
+Hier möchten wir Unfälle mit Fahrradbeteiligung auch wie die Stationen als Marker auf der Map visualisieren. Diese werden nach Schwere untergliedert und farblich gekennzeichnet.
@@ -337,13 +344,13 @@ Hier möchten wir Unfälle mit Fahrradbeteiligung auch wie die Stationen als Mar
- - Verkehrsunfälle in London
- - Dimensionen: 1
+ - Verkehrsunfälle in London, Jahr 2019
+ - Dimensionen: 2
|
- - Ausprägungen:
- Geokoordinaten (lat, long) von Unfallstellen mit Fahrradbeteiligung für das Jahr 2019
- Schwere des Unfalls
+ - Ausprägungen:
- Geokoordinaten (lat, long) von Unfallstellen mit Fahrradbeteiligung
- Schwere des Unfalls
- Dimensionen: 3
- diskret
- ordinalskaliert
@@ -355,7 +362,7 @@ Hier möchten wir Unfälle mit Fahrradbeteiligung auch wie die Stationen als Mar
|
## Abweichung vom Projektplan
-Ursprünglich wollten wir auch die Unfälle gruppieren. Es hat sich aber herausgestellt, dass eine Gruppierung der Unfälle dem kommunikativen Ziel nicht näher kommt. Daher haben wir die Marker nicht gruppiert, sondern einzeln der Map hinzugefügt. Auch mit Gruppierung der Marker kann man sehr gut Unfallhotspots erkennen.
+Ursprünglich wollten wir auch die Unfälle gruppieren. Es hat sich aber herausgestellt, dass eine Gruppierung der Unfälle dem kommunikativen Ziel nicht näher kommt. Daher haben wir die Marker nicht gruppiert, sondern einzeln der Map hinzugefügt. Auch Gruppierung der Bikestations kann man sehr gut Unfallhotspots erkennen.
## Ergebnis