城市街区和签到数据结合的个性化城市兴趣区域推荐方法

利用社交媒体用户的历史签到数据分析用户空间活动偏好实现用户兴趣区域推荐,在城市商业规划中起着重要作用,也为了解人们的城市生活和需求提供帮助。已有方法获得的ROI具有模糊性和多样性,无法给ROI赋予准确的地理描述信息,对用户来说可解释性不强。因此,本文提出了一种结合城市街区和签到数据的个性化兴趣区域推荐方法(CBCD),引入城市街区概念解决ROI边界模糊问题。首先,通过城市道路网生成城市街区,并将大规模签到数据映射到城市街区转换为区域签到;然后,基于区域签到对用户空间活动偏好和类别偏好分别进行个性化建模;最后,融合空间和类别活动偏好,向用户推荐其可能感兴趣的区域。在真实的数据集上进行试验,结果表明该方法具有较高的推荐精度,对用户感兴趣城市街区的挖掘和推荐具有一定的价值。     

融合图像和时空信息的社交媒体用户活动分类方法

社交媒体签到数据中蕴含着大量的用户活动信息。理解社交媒体用户的活动和行为类型,对探索人类的移动性和行为模式等有着重要意义。提出了一种针对新浪微博（简称为微博）的用户活动分类方法,结合图像表达和时空数据分类技术,识别微博签到数据所代表的用户活动类型。首先,根据兴趣点属性信息将微博签到数据所代表的用户活动分为餐饮、生活服务、校园、户外、娱乐、出行6大类;然后,基于卷积神经网络和K近邻分类方法,融合签到数据中的图像场景信息与时空信息,对微博用户的活动行为进行分类。实验结果表明,所提方法能够显著提高微博用户活动类型识别的准确性,为精确探索人类行为活动提供更加有效的数据支持。     

条件随机场建模的大尺度空间上下文的高分辨率遥感图像分类

表达和利用目标空间下文及语义信息是高空间分辨率图像分类的一项关键技术。而条件随机场（CRFs）在空间上下文建模以及分类预测方面有其独特优势。但是基于单尺度分析的CRFs模型存在“不能描述大尺度的空间上下文信息”的问题。因此,针对高分辨率图像分类问题,本文提出了一种两级空间上下文特征分析的CRFs模型。该模型描述如下：先对图像进行分层及逐层特征提取,并进行“对象层-目标层”特征关联;再用支持向量机（SVM）的概率输出定义CRFs模型的关联势函数,利用分层特征加权的Potts函数定义交互势函数。最后采用分段学习及最大-积消息传递算法对该模型进行训练和推理。用Quickbird及大比例尺航空图像城区场景进行实验,结果表明：与单尺度下的基于像素、对象层或目标层分割的SVM-CRFs相比,本文提出的模型其分类精度均有所提高,分类效率较高。     

基于邻近模式的多比例尺居民地松弛迭代匹配

空间目标匹配是实现多源空间信息融合、空间对象变化检测与动态更新的重要前提。针对多比例尺居民地匹配问题,提出了一种基于邻近模式的松弛迭代匹配方法。该方法首先利用缓冲区分析与空间邻近关系检测候选匹配目标与邻近模式,同时计算候选匹配目标或邻近模式间的几何相似性得到初始匹配概率矩阵;然后对邻近候选匹配对进行上下文兼容性建模,利用松弛迭代方法求解多比例尺居民地的最优匹配模型,选取匹配概率最大并满足上下文一致的候选匹配目标或邻近模式为最终匹配结果。实验结果表明,所提出的多比例尺居民地匹配方法具有较高的匹配精度,能有效克服形状轮廓同质化与非均匀性偏差问题,并准确识别1:M、M:N的复杂匹配关系。     

基于LBSN和多图融合的兴趣点推荐EI北大核心CSCD

兴趣点推荐作为推荐领域的一个重要分支一直备受研究者青睐。本文提出一种基于位置的社交网络(LBSN)和多图融合的兴趣点推荐方法GraphPOI。综合分析用户和兴趣点的内在因素和外部表征,首先,对用户-兴趣点的评分矩阵进行学习得到用户和兴趣点的内部潜在向量;其次,根据评分矩阵构造用户-兴趣点交互图,得到兴趣点在用户空间的表征向量以及用户在兴趣点空间的表征向量;然后,对兴趣点按其地理位置进行聚类,得到兴趣点在位置空间的表征向量,结合兴趣点在用户空间的表征向量进而得到兴趣点的外部表征向量;对用户社交图中的信息扩散现象进行建模,捕获用户的朋友关系,得到用户在社交空间的表征向量,结合用户在兴趣点空间的表征向量进而得到用户的外部表征向量;最后,结合用户和兴趣点的内部潜在向量与外部表征向量,得到用户和兴趣点的最终向量表示,并将其输入到多层神经网络模型中进行评分预测。在Yelp数据集上对所提模型进行验证,结果表明本文方法能够有效提升兴趣点推荐的准确性。     

签到位置数据的密度峰值快速搜索与聚类方法

位置签到数据蕴含了城市居民活动变化。由于客户端位置候选问题,不同的签到行为以同一候选位置签到时会产生位置重复现象。针对现有密度聚类方法在签到数据聚类上存在的问题,以快速搜索和查找密度峰值聚类算法(CFSFDP)为基础,提出了签到位置数据的密度峰值快速搜索与聚类方法。首先,引入位置重复频率来表达签到位置重复,然后,对原始签到位置数据点统计位置重复频率并重新设计数据结构,以新的空间点要素为研究对象寻找密度峰值点;最后,构建了峰值点密度簇聚类算法,在点要素集聚类过程中考虑密度连通性来保证峰值密度簇的连续与完整。试验表明,所提出的聚类方法有效避免了重复度较高的离群位置对象选为峰值并聚类的情况,并具有良好的空间适应性。所提取的密度峰值点不仅可以用来表示热区的中心,还能够反映热区的集中趋势,进而可以帮助探索热区的动态变化情况。     

顾及空间邻域关系的多时相SAR影像变化检测

提出了一种顾及空间邻域关系的多时相SAR影像非监督变化检测方法，采用马尔可夫随机场（Markov random field，MRF）模型描述SAR比值差异图像的空间上下文信息，提出了基于该模型的EMMPM非监督变化检测算法。实例研究表明，与未顾及空间上下文信息的EM双阈值算法相比。该方法能够有效地提高变化区域提取的可靠性和准确性。     

上下文感知下的个性化旅游推荐系统初探

为了将用户感兴趣的旅游信息主动推荐给用户,通过引入上下文感知技术,提出了旅游推荐系统中的上下文模型,借助上下文敏感的地球空间信息服务设计了上下文感知下的个性化旅游推荐系统的原型架构。     

利用位置签到数据探索城市热点与商圈

众源地理数据（Crowd Sourcing Geographic Data）是指由大众采集并向大众开放共享的地理空间数据。众源位置签到数据作为众源地理数据的一种,客观真实的反映了大众日常生活行为,包含大量丰富的社会化属性信息。本文提出了一种基于众源位置签到数据的城市热点探测与商圈挖掘方法,首先对位置签到数据时空分布特性进行了研究,设计并提出了众源位置签到数据时空数据库模型;其次,提出了位置签到数据探索性空间分析方法,通过对众源位置签到数据的空间聚类分析,实现基于位置签到数据的商圈热点探测;最后,以武汉市为例,对街旁网截止2011年9月30日的众源位置签到数据进行了城市热点探测与商圈挖掘分析实验,结果表明,基于众源位置签到数据挖掘的武汉市商圈分布与城市规划商圈具有强相关性,可用于城市社会经济发展预测与区域经济规划。     

基于微博位置签到数据的POI更新方法

POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。     

基于情境的POI个性化推荐方法研究

为了实现地图POI推荐服务的个性化和智能化,满足用户兴趣偏好,探讨了POI个性化推荐的情境因素,分析了影响用户对POI个性化需求的多维情境,研究了基于情境的POI推荐方法和步骤,提出了顾及效能的改进TOPSIS个性化推荐算法,着重讨论了推荐算法中地理时空等多维情境的处理策略。通过实验对推荐结果、推荐验证进行分析,证明了本文方法的可行性和有效性。     

尺度变化对城市生态环境与人类活动关系的影响研究

针对空间尺度对城市生态环境与人类活动影响的研究，以南昌市为研究区，划分了300×300、500×500、700×700共3种格网尺度。使用遥感生态指数RSEI（目标向量）量化城市生态环境质量，结合POI点、微博签到点与道路网数据（特征向量），利用随机森林回归模型分析不同尺度下两者之间的拟合效果。结果表明：①3种尺度下RSEI与POI点、微博签到点与道路网均呈现较强的负相关性；且负相关性最优的为RSEI和微博签到点数据，最差的为RSEI和道路网数据。②300×300尺度下随机森林回归模型的拟合效果最好。随着尺度的变大，拟合的效果会越来越差。③无论尺度如何变化，利用随机森林回归拟合的标准化残差ε均呈正态分布；且随着尺度的变大，ε值空间分布的随机性也逐渐增大。随机森林回归模型为度量尺度对城市生态环境与人类活动的关系研究提供了有效的途径，也为城市生态文明建设提供了科学的依据和参考。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

基于多特征相似性的多源POI匹配方法

本文针对多源POI的特征差异性导致同名对象识别难的问题,提出了一种多特征相似性的多源POI匹配方法。兼顾空间与非空间属性,选取名称、位置、地址、分类4个特征进行相似度计算;采用层次分析法对各特征指标进行重要性分析,得到特征权值;根据总相似度对候选匹配对象进行筛选,以确定最终匹配对象。试验结果显示,该方法具有较高的匹配精度,更适用于多源异构POI数据的匹配,可满足多源POI数据的高效匹配需求。     

顾及位置关系的网络POI地址信息标准化处理方法

针对互联网POI(兴趣点)地址信息中广泛存在的地址要素不完整、文字表达不一致等不规范现象,提出一种顾及位置关系的网络POI地址信息标准化处理方法,首先对POI信息进行切分提取并逐层匹配地址树模型;然后基于4种位置关系从标准POI库中选出相应集合,作为丰富和修正非标准POI地址要素的候选;最后通过最小粒度地址要素的回溯,实现POI地址信息的快速标准化处理。试验表明该方法可以获得较高的准确率,尤其适用于在互联网数据环境中的POI地址信息标准化。