Фриланс-проєкти

Фриланс-проєкти

Загальна геопросторова база даних

Python, Бази даних та SQL — неправильно зазначені категорії?

Проєкт перекладено автоматично. Увійдіть або зареєструйтесь, щоб побачити оригінал

Створити геопросторову базу даних, що об'єднує кілька публічних джерел (DVF, ADEME, Cadastre, BAN тощо) для ідентифікації та зіставлення об'єктів нерухомості навіть при часткових або приблизних даних (координати, описи або фотографії вулиці).

Область робіт:

Збір та нормалізація даних:

DVF (історія продажів)
Cadastre (геометрія, кадастрові ділянки)
BAN (національний реєстр адрес)
ADEME (енергетичні дані / DPE)
Онлайн-оголошення (архів 1–2 роки)
Mapillary / Google Street (геотеговані вуличні та фасадні фото)

Завдання: побудувати єдине сховище, що пов'язує ділянки (parcelles), будівлі та адреси.

Реалізувати:

просторові з'єднання (spatial joins) та нечітке (fuzzy) зіставлення адрес/координат;
чистий та зручний API для внутрішнього використання (FastAPI або GraphQL).

Фінальні кейси використання для об'єднаної БД

Повне оголошення → точний кандидат на будівлю
Вхід: повне онлайн-оголошення з текстом (наприклад: «2-кімнатна, 55 м², балкон, вид на Сакре-Кер, поруч метро Abbesses») + фотографії (включаючи вид з вікна).
Процес:
- витягнення приблизної адреси/орієнтирів з опису (NLP);
- збіг GPS з метаданими фото (якщо є);
- перевірка фото виду з геотегованою фотобазою (Mapillary, Google Street View);
- звуження списку будівель за кадастровими полігонами.
- збагачення даними ADEME (енергетика, рік побудови) та DVF (історія угод).
  Вихід: ранжований список кандидатів зі значеннями ban_id, id_parcelle, адресою та скором довіри.
Приблизні координати + текст оголошення → найкращі збіги
Вхід: оголошення з GPS, але з похибкою ±300 м.
Процес:
- знайти всі ділянки/будівлі всередині буферної зони;
- відфільтрувати за характеристиками оголошення (поверх, площа, кількість кімнат, наявність балкона, рік побудови), використовуючи DVF + ADEME + атрибути кадастру.
  Вихід: шортлист ймовірних адрес з ймовірностями.
Крос-пошук по історичним оголошенням
Вхід: поточне оголошення «лофт 90 м², Marais, Paris».
Процес:
- зіставлення з архівом оголошень;
- перевірка, чи з'являвся об'єкт раніше з точною адресою;
- валидація консистентності (площа, ціна, фото).
  Вихід: можливе точне збіг з ID будівлі та історією цін.
Розпізнавання виду з вікна
Вхід: фото з вікна з видом на Ейфелеву вежу.
Процес:
- визначення орієнтації та впізнаваних орієнтирів на зображенні;
- крос-перевірка з геопросторовими даними (які будівлі мають таку лінію видимості);
- облік поверху/висоти з кадастру/INSEE.
  Вихід: список кандидатів будівель, що відповідають перспективі.
Детекція підозрілих / шахрайських оголошень
Вхід: оголошення заявляє «30 м², €70,000, поруч Gare de Lyon».
Процес:
- перевірка з DVF по будівлях у цьому районі;
- порівняння заявленої площі з кадастровими записами;
- виявлення аномалій ціни.
  Вихід: прапор «Нереалістична ціна, можливе шахрайство».
Ідентифікація без адреси
Вхід: оголошення тільки з описом: «Студія 18 м², поруч Place d’Italie, тиха вулиця, 5-й поверх, будівля 1970-х».
Процес:
- NLP витягує район та приблизний рік побудови;
- фільтрація BAN + ADEME для будівель у 13-му окрузі, побудованих ~1970;
- застосування фільтра за площею на основі DVF.
  Вихід: набір з 2–3 кандидатів з оцінками довіри.
Мульти-джерельне збагачення
Вхід: адреса або виявлений ID будівлі.
Процес: зв'язати всі бази (DVF, ADEME DPE, кадастр, нормалізований BAN, історичні оголошення).
Вихід: єдина картка об'єкта з консолідованими атрибутами (історія транзакцій, енергетичні показники, геометрія будівлі, геотеговані фото).

✅ Очікування від Data Engineer:

Побудувати нормалізоване сховище даних (BAN + DVF + ADEME + кадастр + фотографії).
Реалізувати пайплайни зіставлення (spatial join, fuzzy text matching, перевірка фото по гео).
Надати API, що приймає сирі входи (текст оголошення, координати, фото) та повертає ранжовані кандидати адрес/будівель.

Ставки 3

Будь ласка, виберіть

Максим О.

5 0

Проєкти 5
Оцінка 5.0
Рейтинг 673

Бюджет: 1000 EUR Термін: 1 день

Привіт, я працював над **геопросторовою базою даних️** - обробив 5 джерел, 3000+ об’єктів, інтегрував API для пошуку відповіді на місцезнаходження.

Як ви плануєте реалізувати нечітке співставлення адрес для підвищення точності?

Пропоную зв'язатися, я безкоштовно проконсультую вас з технічної сторони та складемо план розробки + розповім про мою команду!

Stanislav K.

6 0

Проєкти 6
Оцінка 4.9
Рейтинг 1 446

Бюджет: 3500 EUR Термін: 60 днів

Привіт! 👋

У мене є солідний досвід у створенні геопросторових систем даних, ETL-пайплайнів та алгоритмів нечіткого співставлення для нерухомості та міської аналітики.
Ваш проект захоплюючий — об'єднання DVF, ADEME, Кадастру, BAN та фото джерел в єдину геопросторову базу знань для ідентифікації власності.

📌 Ось що я можу запропонувати:
• Створити нормалізований склад даних PostGIS, гармонізуючи ключі між DVF, BAN, ADEME та кадастровими даними.
• Реалізувати пайплайни співставлення: просторові з'єднання, нечітке співставлення адрес, EXIF-геоекстракція та парсинг тексту NLP (spaCy / transformers).
• Інтегрувати збагачення даних з ADEME, DVF, Mapillary/StreetView та історичних списків.
• Надати чисту точку доступу FastAPI (або GraphQL), яка приймає текст, координати або фото та повертає ранжовані кандидати на власність (ban_id, id_parcelle, оцінка впевненості).
• Додати шар якості даних: журнали, виявлення аномалій (ціна, площа, дублікати) та статистика співставлення.

🧠 Стек: Python (pandas, GeoPandas, shapely, scikit-learn, OpenCV), PostgreSQL + PostGIS, FastAPI, Airflow, Docker.
⏱ Термін: 6–8 тижнів для MVP (склад даних + API).
💰 Бюджет: від $3,500 — залежно від обсягу даних та необхідної глибини автоматизації.

Я був би радий обговорити архітектуру даних і показати концептуальну демонстрацію інтеграції BAN + DVF + Кадастр.

Gayane M.

0 0

Проєкти -
Оцінка -
Рейтинг 162

Бюджет: 25 EUR Термін: 1 день

Доброго дня.
З цікавістю ознайомилася з Вашим проектом. Впевнена, що зможу виконати ефективну та якісну роботу, що відповідає Вашим вимогам та очікуванням. Досвід роботи понад 8 років. Готова обговорити деталі та розпочати роботу. Чекаю на Вашу відповідь.

Проєктів 111
Оцінка 5.0
Рейтинг 8 531

Загальна геопросторова база даних

Область робіт:

Фінальні кейси використання для об'єднаної БД

Максим О.

Stanislav K.

Gayane M.

Ставки поки відсутні

Актуальні фриланс-проєкти в категорії Python

Розробка Python-бота для автоматичного моніторингу та приймання замовлень на сайті

Потрібно реалізувати проєкт зі збору та структурування великого масиву зображень

Розробка програми ( pipeline ) для автоматизованої підготовки відеодатасета

Аспект

Створення боту