自发地理信息兴趣点数据在线综合与多尺度可视化方法

移动及Web环境下,集成各种自发地理信息POI数据与地理框架背景数据的混搭式地图应用,越来越多地出现在主流地理信息平台及LBS服务中。由于缺乏适宜的在线多尺度可视化机制,这种POI数据表达上通常出现拥挤、压盖等冲突现象。针对该问题,本研究将传统的尺度变换方法与在线环境相结合,提出一种面向城市设施POI数据的多尺度可视化策略。即由服务器端通过预处理方式对POI数据进行多层次结构化组织;在此基础上,客户端依据显示比例尺导出对应层次的POI目标,并通过移位操作解决局部存在的符号表达冲突现象。试验表明,该方法符合数字化网络应用的在线实时需求,同时也能获得较高质量的多尺度表达效果。     

兴趣点选取的路网分割并行计算法

兴趣点,又称POI(points of interest)是网络地图、导航地图中重要的表达要素,包括餐饮、娱乐、金融机构、旅游景点、地标建筑、加油站、停车场等人们日常生活中最为经常使用的信息。其数据的准确性、属性的丰富程度、表达的清晰度及其实时显示效率都将影响地图的服务质量。当前POI表达存在许多问题,特别是在用户搜索特定信息时,由于查询结果数据量较大,造成POI的叠置、压盖等,这一问题严重影响了用户对POI信息的查询与检索。地图综合提供了大量的算子算法以实现点或点群要素的选取,但是它们在综合效率方面亟待提高。面向矢量数据处理的并行计算,其数据划分不仅需要满足负载均衡、划分算法高效等要求,而且对于划分后各部分数据在计算前后拓扑关系的保持也显得尤为重要。兴趣点与路划网络是密切相关的要素,两者之间存在着相互依存的空间关系。本文提出基于路划网眼划分兴趣点的方法,既能保证兴趣点的划分效率,又能保证不同分区内POI选取计算的正确性。选择点选取算法中的"圆"增长算法,采用典型试验区域的路划网眼数据,基于不同节点数划分兴趣点数据,实现兴趣点选取并行计算。试验证明,该方法不仅保证了兴趣点划分的均衡性,而且可以提高兴趣点选取计算效率。通过这一研究,对面向矢量数据的地理信息分析、地图制图综合等复杂算法的并行计算具有重要意义。     

基于用户轨迹的POI个性化推荐算法研究

为了实现兴趣点(POI)的个性化推荐,本文针对用户轨迹中的含有大量冗余点的问题,探讨了利用POI和公交数据对用户轨迹数据进行压缩的算法。研究了传统的协调过滤推荐算法后,提出一种基于用户轨迹的加权Top N推荐算法(User TN)。实验结果表明,推荐结果的准确率、召回率和个性化程度都优于传统的协同过滤推荐算法,证明了本文方法的有效性。     

基于Android的POI更新采集方法

更新采集是保持POI生命力的重要工作。基于Android开展实时定位、快速采集、可视化表达等POI的采集与更新技术方法研究,目标是实现POI可视化外业采集,一体化的POI数据建库,多时序的POI管理,全生命周期的数据管理,实时的POI数据发布。     

顾及地物要素特征的电子地图POI分类抽稀方法

探讨影响POI分类抽稀结果的因素,提出顾及地物要素特征的POI数据分类抽稀方法。通过不同比例尺下POI分类抽稀试验分析,验证所提方法的可行性和有效性,提高电子地图中POI数据在不同比例尺下抽稀显示的合理性,从而满足用户专业需求。     

一种基于四叉树编码的要素分级显示过滤技术

制作地图瓦片时,通常根据分类代码、等级等要素属性分层过滤,达到在不同显示比例尺下显示特定要素,图层要素显示过渡自然的效果。但是基于该方法对图层中要素多、分布不均匀的地图生成的地图瓦片效果不好。为此,提出基于四叉树编码的要素分级显示过滤技术,以对浙江省交换平台专题数据库中专题数据生成地图瓦片为例,验证了该方法的有效性。     

多源异构POI融合方法及应用

针对不同来源的POI在数据格式、坐标参考、属性结构等方面存在差异的问题,提出了一种多源异构POI的融合方法。该方法首先将经过实测并质检的公开版地图数据做成一个母库;然后将其他来源的POI数据经过坐标统一后与母库进行空间位置和门址等属性信息的比对,将母库中没有的POI数据融合进去,最终形成内容规整、信息量丰富的POI融合库;最后进行基于空间约束关系的门址挂接,即使每一个POI点与对应的门牌建立关联关系,提升POI库的应用途径。试验结果表明,该方法能够实现多源POI数据的高效融合,与门址进行挂接后,可满足日益增加的LBS和基于地图的"点式"服务（即Location Point）的需求。     

多比例尺电子地图中基于线性道路的POI抽稀

基于电子地图中POI表现出多尺度、数量大、分布特征多样等特点,针对POI沿道路线的分布特征,在考虑POI数据重要性权重的情况下,采用距离阈值抽稀POI,通过实例数据验证多比例尺条件下方案的可行性,达到POI数据实用性与简洁性的双重标准。     

“天地图”POI融合关键技术研究

本文结合"天地图"数据整合的实际,对"天地图"数据融合中POI融合的技术流程、关键技术进行了研究,实现了多源空间数据POI数据快速准确的融合,可以为以后其他多源空间POI数据融合提供参考。     

顾及地理语境的旅游轨迹停留点语义标注

轨迹数据作为典型的时空大数据，具有较高的研究和应用价值。然而现有的轨迹数据挖掘主要聚焦于轨迹的空间特征，而较少关注轨迹数据语义的深度分析。本文面向智慧旅游服务的需求，重点探讨了旅游轨迹的轨迹停留点语义的自动标注问题。首先，针对POI短文本的特点，提出了基于《同义词词林》进行短文本语义扩展的方法对POI短文本进行特征扩展；同时，在顾及POI短文本的关键词集中、类别词分散等特征基础上，提出了改进TF-IDF的POI自动分类方法；其次，在POI分类的基础上，采用Native Bayes方法对轨迹停留点进行语义标注。结果表明，基于改进TF-IDF方法的POI自动分类可以达到约83%的精度，能够较好地实现POI的分类；而在POI自动分类基础上，基于Native Bayes的轨迹语义标注可以达到74%的精度，较好地实现了旅游轨迹停留点自动语义标注的目标。     

遥感影像与POI数据相结合的城市建成区提取适用性研究——以沈阳市为例

城市建成区的发展状况是地理国情监测的重要内容，本文基于遥感影像数据和POI数据对城市建成区进行提取，针对二者的适用性问题进行了研究。试验以沈阳市为研究区域，在研究区域内选择2016年遥感影像数据和POI数据作为数据源进行对比分析。首先，对遥感影像数据和POI数据进行预处理；其次，通过监督分类的方法对遥感影像进行建成区的提取；然后，采用核密度估计法分析POI数据并提取出建成区；最后，利用叠加分析法对比分析这两种数据的适用性。试验结果表明：使用遥感影像数据作为数据源可以较为全面客观地反映城市建成区的发展现状；利用POI数据提取出的城市建成区具有较强的经济属性，能够很好地反映出城市中的经济活跃区。     

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。     

基于海量 POI 数据的城市小学教育资源信息的提取与分析

通过网络爬虫获取海量POI数据具有巨大的应用前景。文中利用改进后的两步移动搜索法,计算居民区的教育资源可达性,评价以市为单位的小学教育资源的状况,将各市的GDP与教育资源可达性进行相关性分析,评价各省经济发展与城市教育发展的相关程度,为政府部门提供决策依据。同时,研究POI数据的预处理方法和分类方法。     

基于MMS与基础数据的兴趣点采集方法研究

本文分析了现有的兴趣点采集的方法、MMS和基础数据的特点,对兴趣点的属性结构进行了设计,研究了基于MMS与基础数据的兴趣点采集方法的作业流程,并通过实验证明该方法的可行性。     

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。