时空和语义结合的船舶轨迹数据压缩方法EI北大核心CSCD

大数据时代积累了覆盖范围广、时效性强的船舶轨迹数据。对海量冗余轨迹数据进行压缩,可提高检索效率,降低数据存储和传输负担;然而现有方法容易忽略移动对象的运动特征。因此,本文提出一种顾及轨迹时空特征和航行语义特征的压缩方法。首先,分析船舶轨迹的空间、时间和语义特征,设计顾及时空语义特征的轨迹数据压缩流程;其次,通过道格拉斯-普克和滑动窗口法计算轨迹点的时空和语义特征值;然后,加权融合轨迹点的时空和语义特征,构建轨迹点的重要性排序,并通过指定压缩比例获取保留轨迹点数目,实现船舶轨迹数据压缩;最后,根据压缩算法效率、质量和实例分析,表明本文方法可保留行驶的动态语义信息和时空形态特征,既可根据压缩比例控制压缩过程,又可显著减少数据冗余,为后续轨迹挖掘等应用提供数据基础。     

面向地理空间信息的轨迹模型及时空模式查询

轨迹数据处理与分析是目前空间信息和数据库等相关领域的研究热点之一。本文从Stop-Move轨迹模型出发,通过集成地理空间上下文信息来建模轨迹数据,并研究轨迹时空模式的查询处理技术。首先分析Stop/Move对象与点/线/面地理空间要素之间的时空关联关系,据此提出显式表达该关联语义的地理关联轨迹模型,在此基础上利用关系-对象数据库技术,为地理关联轨迹模型设计独立于应用的关系模式,接着定义轨迹时空模式查询,并提出基于地理关联轨迹关系模式的SQL处理框架,最后以典型性检索请求为例,讨论分析位置-时间、位置-顺序和位置-关系等三类轨迹时空模式查询的纯SQL处理技术,并以样例轨迹数据验证了本文方法的可行性。     

轨迹压缩的典型方法评价

轨迹大数据的关键瓶颈之一是轨迹数据海量的数据规模对轨迹的分析、挖掘和应用的限制，因而各类针对轨迹数据的压缩方法是轨迹大数据研究的重点。现有轨迹压缩算法重视对轨迹数据的单一维度时空特征的保持，而缺乏压缩算法对多维度时空特征影响的研究。本文选取MBR面积误差、距离误差、方向误差、速度误差、压缩率和压缩速度等轨迹数据多维度时空特征，分别从轨迹的几何特征、运动特征和压缩效率3个层面对典型轨迹压缩方法进行评价。同时，为了系统观察轨迹压缩算法在不同压缩尺度上对轨迹时空特征的影响规律，本文采用多个尺度压缩结果的评价方法。研究结果表明，在整体效果上那些考虑了轨迹运动特征的压缩算法（如TD_TR算法）对轨迹的总体时空特征保持较好；并且不同的压缩算法对时空特征的影响总体上具有随着尺度变化的一致性，可见压缩尺度是决定压缩效果的核心因素。     

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。     

面向对象的土地利用多尺度时空数据模型

文章分析了目前多尺度土地利用研究现状和面向对象时空数据模型特点,兼顾考虑多尺度土地利用数据的空间、时间和语义属性的多尺度特征,以空间维度为切入,对面向对象时空数据模型进行扩展,构建面向对象的土地利用多尺度时空数据模型.应用实践表明,该模型能够较好表达多尺度土地利用数据的时间、空间及语义属性信息,反映多尺度土地利用要素对象之间的多层次关联关系,既能够降低数据的冗余存储,又确保各要素对象之间的有机耦合.     

室内用户语义位置模式挖掘研究——以商场为例

结合室内轨迹数据的特点,研究了室内移动对象语义轨迹序列处理方法,以及利用LDA主题模型与用户历史轨迹进行室内商场用户分类的方法。提出了通过关联规则分析挖掘用户语义位置模式的方法,并以北京某大型商场的实际用户轨迹数据为例,对所提出的方法进行了实验验证。     

遥感数据时空尺度对地理要素时空变化分析的影响

地理要素的时空变化分析对于了解和掌握地表的规律性有着重要的作用。利用地面站点观测、实地调查等传统方式获取数据,对地理要素进行时空变化分析是最常用的方法。但该类方法往往表现的是"点尺度"观测,不能在大尺度情况下准确地反映地表的时空变化信息。遥感卫星能以一定的时间间隔获得空间连续的对地"面尺度"观测数据,然而其特定的空间和时间分辨率使其获取的地表信息仍十分有限。同时地表的空间异质性和个别地表短时间内的快速变化,使得利用遥感数据对地理要素进行时空变化分析时,时空变化分析结果会随观测尺度而发生改变。本文从空间尺度和时间尺度两方面综述遥感数据时空尺度对地理要素的时空变化分析产生的影响和原因,并针对这些问题总结了减小时空尺度对结果不确定性影响的现行方法。可以通过多源遥感协同观测和反演、尺度转换、空间建模等方法减小空间尺度引起的不确定性;通过联合多时相遥感数据的方法减小时间尺度引起的不确定性。在实际应用中,应根据所观测地理要素的实际情况,综合分析选择合适的方法。     

移动对象时空轨迹及社交关系一体化数据模型

泛地理信息时代来临及SoLoMo互联网模式盛行,如何高效管理移动对象位置数据、社交关系数据及地理空间数据成为GIS与移动对象数据库研究领域一项全新的技术挑战。首先基于图模型提出了移动对象时空轨迹及社交关系的一体化数据模型GSM,实现了移动对象所在地理空间、移动对象位置与轨迹、移动对象之间社交关系的时空一体化表达,并定义了该模型的四种基础操作算子;然后基于图数据库系统Neo4J实现了GSM模型;最后利用真实的Brightkite、Gowalla位置社交网络数据验证了GSM模型的有效性。所提出的GSM模型能够有效避免关系数据库中表连接造成的移动对象管理与查询效率低下的问题,具有良好的执行效率及稳定性,可为基于位置的社交网络应用提供核心技术支持。     

多尺度时空数据的集成与对象进化模型

多尺度时空数据集成的根本目的是增加信息量.本文通过对时空对象变化过程的分析,指出对象进化的结果不仅是特征的变化,还包括机制的变化,其直接动力是对象行为,其根本原因是其内在机制,时空事件起着对象间信息通道的作用,据此提出对象进化模型,该模型可作为多尺度时空数据集成的结构性基础,在反映时空现象的演变过程,特别是异构演变过程,以及在这个过程中产生的因果关系的同时,还可以保留时空数据的不同时间尺度和空间尺度特点,从而达到增加时空数据库的信息量的目的.文中给出了该模型基于关系型数据库的一个结构示例.根据多空间尺度数据的特点,本文最后还提出了一个时空数据组织体系,用于指导数据访问过程.     

面向地理信息大数据的时空事件关系可视化分析框架

不同类型的地理信息大数据蕴含了丰富的时空关系，反映个体或者群体时空事件之间的变化模式，在资源、环境、交通等领域的智慧应用中起到关键性作用。然而，地理信息大数据拥有的多尺度和多语义特性，在挖掘地理信息大数据的时空关系时会存在许多困难。如何有效地构建多尺度多语义时空关系，并直观地表达这些时空关系是一个重大挑战。本文设计了一种时空事件关系可视化分析框架，通过定义事件间时空关系的描述，设计了一种多视图协同的可视化分析方法，结合时空关系的可视化协同交互，实现地理信息大数据时空事件可视分析。基于时空轨迹数据，通过试验说明该方法可以探寻时空事件及背景间的时空关系，实现时空事件的交互可视分析。     

多源地理空间矢量数据关联模型设计

多源地理空间矢量数据之间存在着隐含的关联关系，这些关联关系往往隐式存在，难以直观展示，也难以与空间数据映射交互展示，更无法进行查询分析，获取所需信息。针对这种情况，本文以多源地理空间矢量数据及统计数据为研究对象，首先定义了多源地理空间矢量数据关联的概念及分类，然后以此为基础设计了多源地理空间矢量数据关联模型，并将其分为3个子模型：基于自适应四叉树编码的空间关联子模型、基于几何匹配的空间关联子模型及基于语义匹配的空间关联子模型。该模型定义了多源地理空间矢量数据之间的关联方式，为关联关系的构建奠定了理论基础。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

运动目标轨迹的时空数据模型研究

运动目标的轨迹数据是空间信息系统的重要信息源。只有高效地利用运动目标的轨迹数据,才能更好地掌握多维动态变化的空间环境。本文在介绍了运动目标的概念和国内外研究现状之后,重点分析了运动目标的建模、存储、查询、索引及可视化技术并提出相应的解决方案。最终,实现对运动目标全过程的管理和应用。     

居民出行与轨迹行为交互模式挖掘与关联技术

出租车是居民出行的重要交通工具,其轨迹数据蕴含着丰富的居民出行信息。原始出租车轨迹数据因缺少语义信息无法直观反映居民出行规律。通过轨迹数据挖掘技术处理之后的出租车轨迹数据能够反映居民活动规律和行为模式,从而为城市规划决策提供参考依据。本文重点研究了基于语义的交互模式度量,通过出租车停留点推断其语义信息;然后根据语义信息构建语义交互矩阵,用以推断和描述行为目的交互模式;最后选取北京市中心为研究区域进行方法验证。结果表明,中心城区内不同类别的停留点聚集分布规律不同,围绕高校和商圈聚集较明显;工作日各类停留点的活跃度持续时间较非工作日长;工作日和非工作日行为目的交互模式差别显著,工作日以职住和工作交互为主,非工作日以休闲和居住交互为主。本文研究可以为城市规划管理、资源调度和应急管理提供一定的决策支持。     

Approaches to Semantic Similarity Measurement for Geo-Spatial Data: A Survey

Semantic similarity is central for the functioning of semantically enabled processing of geospatial data. It is used to measure the degree of potential semantic interoperability between data or different geographic information systems (GIS). Similarity is essential for dealing with vague data queries, vague concepts or natural language and is the basis for semantic information retrieval and integration. The choice of similarity measurement influences strongly the conceptual design and the functionality of a GIS. The goal of this article is to provide a survey presentation on theories of semantic similarity measurement and review how these approaches – originally developed as psychological models to explain human similarity judgment – can be used in geographic information science. According to their knowledge representation and notion of similarity we classify existing similarity measures in geometric, feature, network, alignment and transformational models. The article reviews each of these models and outlines its notion of similarity and metric properties. Afterwards, we evaluate the semantic similarity models with respect to the requirements for semantic similarity measurement between geospatial data. The article concludes by comparing the similarity measures and giving general advice how to choose an appropriate semantic similarity measure. Advantages and disadvantages point to their suitability for different tasks.     

基于语义映射的空间数据转换及其应用研究

数据转换是GIS工程建设中的一个十分重要的内容,传统的方法往往只是进行数据格式的转换,忽略了空间数据之间的内在联系,本文将语义映射和空间操作相结合,实现空间数据和属性数据的重构,从而实现异构数据的快速转换。     

Analytical queries on semantic trajectories using graph databases

This article studies the analysis of moving object data collected by location‐aware devices, such as GPS, using graph databases. Such raw trajectories can be transformed into so‐called semantic trajectories, which are sequences of stops that occur at “places of interest.” Trajectory data analysis can be enriched if spatial and non‐spatial contextual data associated with the moving objects are taken into account, and aggregation of trajectory data can reveal hidden patterns within such data. When trajectory data are stored in relational databases, there is an “impedance mismatch” between the representation and storage models. Graphs in which the nodes and edges are annotated with properties are gaining increasing interest to model a variety of networks. Therefore, this article proposes the use of graph databases (Neo4j in this case) to represent and store trajectory data, which can thus be analyzed at different aggregation levels using graph query languages (Cypher, for Neo4j). Through a real‐world public data case study, the article shows that trajectory queries are expressed more naturally on the graph‐based representation than over the relational alternative, and perform better in many typical cases.