Housing Potential Common Data Model and City Digital Twin
Dieses Paper stellt das Housing Potential Common Data Model (HPCDM) vor, um disparate Datensätze für eine umfassende Wohnungsanalyse zu integrieren, wobei es dessen praktische Anwendung durch einen digitalen Stadtzwilling und ein Pilot-Dashboard demonstriert und gleichzeitig die Adoptionsbarrieren für städtische Akteure adressiert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Städte sind lebende Systeme, die sich ständig verändern, während Menschen zuziehen, Gebäude entstehen und Stadtviertel sich wandeln. Um zu verstehen, wie eine Stadt wachsen kann, müssen Planer und Forscher eine spezifische Frage untersuchen: Wo ist Raum für neue Wohnungen? Dieses Konzept, bekannt als „Wohnpotenzial“, handelt nicht nur davon, leere Grundstücke zu finden. Es ist ein komplexes Puzzle, das erfordert, viele verschiedene Faktoren gleichzeitig abzuwägen. Ein Grundstück mag rechtlich gesehen für ein neues Apartmentgebäude zugelassen sein, aber wenn die lokalen Straßen bereits überlastet sind, die Wasserleitungen zu klein sind oder es keine nahegelegenen Schulen gibt, ist dieses Land möglicherweise kein guter Ort zum Bauen. Traditionell sind die Informationen, die zur Beantwortung dieser Fragen benötigt werden, verstreut. Bebauungspläne existieren in einer Datenbank, Bevölkerungszahlen in einer anderen und Karten der Wasserleitungen in einer dritten. Diese getrennten Datensammlungen sprechen oft nicht dieselbe Sprache, was es schwierig macht, das vollständige Bild dessen zu sehen, was eine Stadt unterstützen kann.
Ein Team von Forschern der University of Toronto setzte sich zum Ziel, dieses Problem der unverbundenen Informationen zu lösen. Sie fragten sich, ob es möglich sei, eine einzige, standardisierte Art und Weise zu schaffen, um alle verschiedenen Datenteile zu beschreiben, die zur Bewertung des Wohnpotenzials benötigt werden. Ihr Ziel war es nicht, ein spezifisches Softwaretool für eine einzelne Stadt zu bauen, sondern einen universellen Rahmen – ein gemeinsames Datenmodell – zu entwerfen, der als Übersetzer fungieren könnte. Dieser Rahmen sollte es ermöglichen, verschiedene Arten von Informationen, von rechtlichen Bebauungsplänen bis hin zur Anzahl der Feuerwehrautos in einem Bezirk, logisch miteinander zu verknüpfen. Durch die Schaffung dieser gemeinsamen Sprache hofften sie, Computer und Menschen in die Lage zu versetzen, komplexe Fragen über die Kapazität einer Stadt zur Unterbringung von mehr Menschen zu stellen, unabhängig davon, woher diese Datenpunkte ursprünglich stammten.
Die Forscher begannen damit, den Menschen zuzuhören, die diese Informationen jeden Tag tatsächlich nutzen. Sie sprachen mit Befürwortern von bezahlbarem Wohnraum, Stadtplanern und Immobilienentwicklern, um die spezifischen Fragen zu verstehen, die sie beantworten müssen. Diese Fragen bildeten das Rückgrat ihrer Arbeit. So könnte ein Aktivist fragen: „Ist dieses brachliegende Grundstück im Besitz der Regierung und ist es als Wohngebiet ausgewiesen?“ Während ein Entwickler fragen könnte: „Wenn ich hier baue, wird das lokale Wassersystem genug Kapazität haben, um die neuen Bewohner zu versorgen?“ Das Team sammelte über 360 verschiedene Datensätze aus ganz Kanada, die Antworten auf diese Art von Fragen enthielten. Sie stellten fest, dass die Daten zwar existierten, aber oft fragmentiert waren, wobei einige Städte detaillierte Aufzeichnungen hatten und andere erhebliche Lücken aufwiesen.
Mit diesen realen Bedürfnissen im Hinterkopf verbrachte das Team zwei Jahre mit der Entwicklung des „Housing Potential Common Data Model“. Dieses Modell ist eine detaillierte Spezifikation, die genau definiert, wie das physische und regulatorische Umfeld einer Stadt zu beschreiben ist. Es unterteilt die Stadt in verständliche Teile: das Land selbst, die darauf befindlichen Gebäude, die dort lebenden Menschen und die Dienste, die sie unterstützen. Das Modell enthält Regeln zur Beschreibung von allem, von der Höhe eines Gebäudes und der Anzahl der Zimmer in einem Apartment bis hin zur Entfernung zum nächsten Krankenhaus und der Kapazität des lokalen Abwassersystems. Entscheidend ist, dass das Modell flexibel aufgebaut wurde. Es zwingt jede Stadt nicht dazu, exakt dieselben Daten zu haben; stattdessen bietet es eine Struktur, die sich an unterschiedliche lokale Regeln und verfügbare Informationen anpassen kann. Die Forscher testeten ihr Design anhand von 71 spezifischen Fragen, die aus ihren ursprünglichen Interviews abgeleitet wurden. Sie fanden heraus, dass das Modell 68 dieser Fragen erfolgreich beantworten konnte, was bewies, dass ihr Rahmen robust genug war, um die Komplexität der realen Planung zu bewältigen.
Um zu beweisen, dass dieses abstrakte Modell in der Praxis funktionieren kann, baute das Team einen „Digitalen Zwilling der Stadt“ für Toronto. Ein digitaler Zwilling ist eine virtuelle Repräsentation einer Stadt, die verschiedene Datenquellen in einer einzigen, interaktiven Ansicht verbindet. Unter Verwendung ihres neuen Modells speisten die Forscher Daten aus Toronto in einen Knowledge Graph ein – eine Art Datenbank, die Informationen eher wie ein Netz als in separaten Zeilen und Spalten verknüpft. Dies ermöglichte es ihnen, ein spezifisches Stück Land gleichzeitig mit seinen Bebauungsregeln, seinem aktuellen Eigentümer, den nahegelegenen Schulen und der Kapazität des lokalen Stromnetzes zu verknüpfen. Sie bauten darauf ein Pilot-Dashboard. Dieses Tool ermöglicht es einem Nutzer, eine Adresse einzugeben und sofort eine Zusammenfassung des Potenzials für Wohnraum an diesem Standort zu sehen. Das Dashboard kann einem Nutzer mitteilen, ob das Land als Wohngebiet ausgewiesen ist, wie die maximale Gebäudehöhe ist, wie viele Menschen derzeit in der Nachbarschaft leben und ob die örtliche Feuerwehr über genügend Kapazität verfügt, um eine neue Bebauung zu versorgen.
Das Projekt zeigte sowohl die Stärken als auch die Grenzen dieses Ansatzes auf. Das Team demonstrierte erfolgreich, dass eine gemeinsame Sprache unterschiedliche Datenquellen integrieren kann, indem sie eine chaotische Sammlung von Tabellenkalkulationen und Karten in ein kohärentes System verwandelt. Sie fanden jedoch auch heraus, dass Daten nicht immer verfügbar sind. In einigen Fällen konnte das Modell eine Frage perfekt beantworten, aber die Stadt verfügte schlichtweg nicht über die Daten, um die Antwort zu ergänzen. Zum Beispiel konnte das Modell zwar die Kapazität von Wassersystemen verfolgen, doch viele Städte geben keine detaillierten Aufzeichnungen darüber preis, wie viel Wasser derzeit genutzt wird im Vergleich zu dem, was verfügbar ist. Die Forscher merkten an, dass Städte ihre Datenerhebung und -weitergabe in dieser spezifischen Art von Information verbessern müssen, damit das Modell überall wirklich nützlich sein kann.
Das Team kam zu dem Schluss, dass für die breite Anwendung dieses Standards drei Dinge notwendig sind. Erstens bedarf es der Ausbildung der Menschen in der Anwendung des Modells; es reicht nicht aus, nur die Regeln zu haben, die Nutzer müssen verstehen, was die Daten bedeuten. Zweitens muss ein unmittelbarer Nutzen bestehen; Städte müssen Werkzeuge wie das Toronto-Dashboard sehen, die zeigen, wie das Modell reale Probleme löst. Drittens ist Unterstützung essenziell, da Städte Hilfe benötigen werden, um die Software und die Prozesse aufzubauen, die erforderlich sind, um ihre lokalen Daten diesem neuen Standard zuzuordnen. Die Arbeit endet nicht mit dem Modell selbst; sie ist ein Fundament. Die Forscher haben gezeigt, dass es möglich ist, eine gemeinsame Sprache für das Wohnpotenzial zu schaffen, die Städten helfen kann, bessere Entscheidungen darüber zu treffen, wo und wie die Wohnungen der Zukunft gebaut werden sollen. Indem sie verstreute Daten in eine zusammenhängende Geschichte verwandeln, bietet dieses Projekt eine neue Möglichkeit, das Potenzial zu erkennen, das in unseren Städten verborgen liegt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.