Model scoringu
LokalScore oblicza wielowymiarowy wskaźnik jakości lokalizacji w skali 0–100 na podstawie 5 filarów scoringu. Każdy filar ma przypisaną wagę odzwierciedlającą jego względne znaczenie.
5 filarów scoringu
Wagi domyślne pochodzą z DEFAULT_WEIGHTS w module scoring_engine backendu:
| Filar | Klucz | Waga domyślna | Opis |
|---|---|---|---|
| Transport i skomunikowanie | transit | 25% | Dostęp do komunikacji miejskiej (autobus, tramwaj, kolej), rowerów miejskich, czasy dojazdu. |
| Codzienna wygoda i usługi | convenience_retail | 25% | Supermarkety, sklepy, apteki, automaty paczkowe, gastronomia, usługi. |
| Komfort środowiskowy | environment_comfort | 20% | Zieleń, jakość powietrza (PM10/PM2.5), hałas (Lden/Lnight), kongestia drogowa. |
| Rodzina i edukacja | family_education | 15% | Przedszkola, szkoły podstawowe i średnie, żłobki, place zabaw. |
| Rekreacja i kultura | leisure_culture | 15% | Parki, obiekty sportowe, kina, teatry, muzea, biblioteki. |
Wagi sumują się do 1.0 (100%). Bazowy wynik to ważona suma wyników cząstkowych:
global_score_base = Σ (waga_filaru × wynik_filaru)Na końcowy global_score wpływają dodatkowo:
- Kary za uciążliwości w promieniu 250 m (np. kluby nocne, zakłady przemysłowe, cmentarze z mechanizmem tłumienia skumulowanych kar),
- Korekta bezpieczeństwa oparta na danych statystycznych GUS BDL oraz infrastrukturze służb ratunkowych.
Dlatego w symulatorze suma ważona samych pasków filarów może różnić się o kilka punktów od ostatecznego wyniku.
Niestandardowe wagi
Możesz dostosować wagi do własnych potrzeb, przekazując custom_weights w żądaniu /evaluate:
curl -X 'POST' \
'https://api.lokalscore.pl/api/v1/evaluate' \
-H 'Authorization: Bearer ls_TWOJ_KLUCZ_API' \
-H 'Content-Type: application/json' \
-d '{
"latitude": 51.1093,
"longitude": 17.0289,
"custom_weights": {
"transit": 0.30,
"convenience_retail": 0.20,
"environment_comfort": 0.25,
"family_education": 0.15,
"leisure_culture": 0.10
}
}'Uwaga: Wagi muszą sumować się do ~1.0 (akceptowany zakres 0.5–1.5). Wartości są automatycznie normalizowane.
Predefiniowane profile (presety)
Zamiast ręcznie ustawiać wagi, możesz użyć predefiniowanych profili oceny (scoring_preset). Gdy preset jest aktywny, custom_weights i radius_meters są ignorowane na rzecz wartości zdefiniowanych w presecie.
Dostępne presety:
| Preset | Opis |
|---|---|
rodzina | Podnosi wagę edukacji i środowiska (przedszkola, szkoły). |
student | Podnosi wagę rekreacji/kultury i transportu (uniwersytety). |
imprezowicz | Podnosi wagę życia nocnego (kluby, puby, bary). |
blisko_natury | Silnie podnosi wagę środowiska i zieleni. |
aktywny_wypoczynek | Podnosi wagę sportu, parków i kultury. |
senior | Podnosi wagę aptek, parków, bibliotek i centrów kultury. |
zabudowa_wielorodzinna | Profil dla zabudowy wielorodzinnej. |
zabudowa_jednorodzinna | Podnosi wagę przedszkoli i szkół podstawowych. |
dzialalnosc_handlowa | Profil dla działalności handlowej. |
premium | Podnosi wagę środowiska i zieleni (segment premium). |
Algorytm Distance Decay
Kluczowym mechanizmem jest wykładniczy rozpad odległości (Distance Decay). Im dalej od punktu analizy znajduje się obiekt (POI), tym mniejszy ma wpływ na wynik:
score = exp(-λ × distance)gdzie:
distance— odległość w metrach,λ(lambda) — współczynnik rozpadu charakterystyczny dla typu obiektu.
Interpretacja λ:
- Wysoka λ → wynik spada szybko z odległością (np. sklepy osiedlowe, bankomaty — ważne, by były blisko).
- Niska λ → wynik spada wolno (np. parki, dworce kolejowe — ludzie są skłonni pokonać większą odległość).
Przykładowe wartości λ z LAMBDA_CONFIG:
| Obiekt | λ |
|---|---|
Przystanek autobusowy (bus) | 0.0035 |
Supermarket (supermarket) | 0.0020 |
Park (park) | 0.0020 |
Sklep osiedlowy (convenience) | 0.0060 |
Dworzec kolejowy (railway) | 0.0015 |
Uniwersytet (university) | 0.0012 |
Przykład obliczenia
Dla supermarketu (λ = 0.0020) w odległości 500 m:
score = exp(-0.0020 × 500) = exp(-1.0) ≈ 0.368Dla tego samego supermarketu w odległości 100 m:
score = exp(-0.0020 × 100) = exp(-0.2) ≈ 0.819Widzimy, że obiekt w odległości 100 m ma ponad 2× większy wpływ niż w odległości 500 m.
Interaktywnie: Zobacz, jak zmienia się krzywa Distance Decay w zależności od λ i dystansu w wizualizatorze Distance Decay.
Jak liczony jest wynik filaru?
Dla każdego filaru:
- W promieniu analizy (
radius_meters, domyślnie 1000 m) wyszukiwane są obiekty POI. - Każdy obiekt otrzymuje wagę bazową (np. supermarket = 50, przystanek = 10) i współczynnik rozpadu λ.
- Wkład każdego obiektu jest ważony przez
exp(-λ × distance). - Zastosowany jest mechanizm malejących przychodów (diminishing returns), chroniący przed “zalewaniem” punktami.
- Wynik jest normalizowany do skali 0–100.
Następne kroki
- Wizualizator Distance Decay — interaktywna demonstracja algorytmu.
- Szybki start — pierwsze zapytanie do API.
- Dokumentacja API — pełna lista endpointów.