„Multidimensional Spatio-Temporal Change – DBSCAN (MDSTC-DBSCAN): A new spatiotemporal clustering technique for the segmentation of transaction prices submarkets. A case study in Vienna.“

Wir freuen uns sehr, Ihnen hier eine weitere spannende Masterarbeit vorstellen zu können. Unser Data Analyst Lorenz Treitler hat sich dabei unter dem Titel „Multidimensional Spatio-Temporal Change – DBSCAN (MDSTC-DBSCAN): A new spatiotemporal clustering technique for the segmentation of transaction prices submarkets. A case study in Vienna.“ mit der Anwendung von räumlich-zeitlichen Clustermethoden zur Abgrenzung von Submärkten auf der Basis von Immobilienkaufpreisen beschäftigt.

Immobilienteilmärkte sind räumliche Gebiete, die in sich ähnliche Merkmale aufweisen, sich aber von anderen Submärkten unterscheiden. Da Transaktionspreise eine räumliche Autokorrelation aufweisen und zeitlich miteinander verbunden sind, können durch die Verwendung von raum-zeitlichen Methoden die Bildung von Immobilienteilmärkten verbessert und stabilere Submärkte erstellt werden.

Ziel war es, zwei raum-zeitliche Clustering-Methoden, nämlich Coclustering with Clustering Geodata Cubes (CGC) und Multidimensional Spatio-Temporal DBSCAN (MDST-DBSCAN), für die Bildung von Kaufpreis-Submärkten zu vergleichen. Da die beiden Methoden keine zufriedenstellenden Ergebnisse lieferten, wurde ein neuer Ansatz zur Abgrenzung von Clusters vorgeschlagen, der als Multidimensional Spatio-Temporal Change DBSCAN (MDSTC-DBSCAN) bezeichnet wird. Bei dieser Methode wird die zeitliche Veränderung der Transaktionspreise mit räumlicher Nähe berücksichtigt, um räumliche Bereiche mit ähnlichen Transaktionspreisen zu identifizieren. Die Methode stellt gegenüber MDST-DBSCAN eine Verbesserung für diesen Anwendungsfall dar, da sie die zeitliche Veränderung als Information und nicht als Einschränkung verwendet.