Uiteindelijke concept

Na veel onderzoek, coderen, testen en data vergaren, ben ik op een punt gekomen waar ik een beslissing heb gemaakt voor mijn concept. Ik laat op deze pagina zien waarom en hoe mijn concept afwijkt van mijn originele concept.

• Originele concept
• Nieuwe (afgeweken van het originele) concept

Originele concept

Onderzoeksvraag

Wat is de ideale plek in de stad om te wonen als bestuurder van een elektrische auto?

Data

Hier staan welke data(variabelen) uit welke datasets ik ga gebruiken en waarom.

AreaId is de meest voorkomende variabele in de datasets, dus ik zie deze variabele als primary key om te gebruiken als koppeling van de datasets die ik ga gebruiken.

GEBIED (8310 entries=BETER)

• AreaDesc - Dit zijn de benamingen van de parkeergebieden. Dit heb ik nodig voor de locatie benaming.
• AreaId - Dit zijn de locatie 'identificatiecodes'. Dit heb ik nodig voor het koppelen aan GPS-coördinaten.

GEO Parkeer Garages

• Location - Dit zijn de longitudinale en latitudinale afstanden van de parkeergebieden. Dit heb ik nodig voor de locatieaanduiding (GEO).
• AreaDesc - Dit zijn de benamingen van de parkeergebieden. Dit heb ik nodig voor de locatie benaming.

GEOMETRIE GEBIED (Stan)

Voor locatie van parkeergarages die je wil vinden, AreaId is dan je beste vriend.

• areageometryastext - Socrata Dit is de omschrijving van het parkeergebied m.b.v. geometrische elementen. Dit heb ik nodig voor de locatieaanduiding.
• GeoDataAsText - (RDW) Dit is de omschrijving van de geo-coördinaten van de locatie van de parkeergebieden. Maar Stan Bankras heeft een functie geschreven dat de POINT en POLYGON waardes converteert naar geojson formaat.

Nieuw concept (afgeweken)

Ik ben afgeweken van het originele concept, omdat door privé-omstandigheden het erg moeilijk voor mij was om met volle vaart en focus mij op dit project te concentreren. Daarom heb ik de onderzoeksvraag veranderd naar een wat 'eenvoudigere' vraag. Ook was de data die ik had gevonden helemaal niet meer relevant bij de nieuwe onderzoeksvraag. Toen heb ik samen met Laurens een nieuwe dataset gevonden, die achteraf alleen de data uit omgeving Hilversum haalde. Daardoor heb ik mijn onderzoeksvraag ook moeten veranderen. Gelukkig maakt dat niet heel veel uit, want de werkwijze en uitwerking zijn even veel energie-vergend.

Nieuwe onderzoeksvraag

Wat is het verschil qua drukte van elektrisch laden tussen dag en avond in de omgeving Hilversum?

Mijn assumpties bij de onderzoeksvraag

Mijn assumptie is dat het 's avonds veel drukker is met elektrisch laden dan 's ochtends, want 's avonds is iedereen thuis en wil zijn / haar auto opladen. 's Morgens neemt iedereen zijn auto mee naar zijn werk.

Data

Oplaadpalen.nl

De data van Oplaadpalen.nl heb ik getracked, 12 keer per dag, 1 keer per uur, vanaf 08:00uur tot en met 20:00u. Op die manier kan ik erachter komen of er een patroon zit in de beschikbaarheid van laadpalen tussen dag en avond.

lat - latitudinale coördinaten van het parkeergebied.
lng - longitudinale coördinaten van het parkeergebied.

available - weergeeft het aantal laadpalen op een parkeergebied **dat nog beschikbaar/vrij is.
charging - hoeveel er aan het laden zijn. De waardes van deze twee variabelen opgeteld samen zijn het totale aantal laadpalen per parkeergebied.

Dataset (voor)

{
 point: {
   lat: 52.21061864,
   lng: 5.17506312
 },
 id: "28008b58-5a03-11ea-8ed4-42010a840fd0",
 status: {
   available: "2",
   charging: "0"
 },
 power: 11040,
 publicaccess: "Public"
}

Dataset (na)

{
 point: {
   lat: 52.21061864,
   lng: 5.17506312
 },
 status: {
   available: "2",
   charging: "0"
 }
}

Door transformeren - FP pattern gedaan.

Datasets die misschien nog handig zijn:

• PARKEERADRES

Idee