移动轨迹的尺度特征

移动轨迹是移动对象在地理空间环境中移动而留下的痕迹。移动轨迹数据是一类特殊的地理时空数据，它具有时间尺度、空间尺度和语义尺度特征。本文首先分析了轨迹数据的空间尺度特征与时间尺度特征，建立了轨迹空间尺度与时间尺度转换关系式；然后论述了轨迹的语义内涵和语义尺度特征，将轨迹语义分为移动对象语义、地理空间环境语义、采集设备语义、移动方式语义，并从地理空间环境语义的角度分析了轨迹的语义多尺度；最后探讨了轨迹语义尺度与时空尺度之间的一致性关系。     

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。     

一种基于空间语义特征的浮动车轨迹匹配技术

针对浮动车轨迹数据挖掘中的空间语义分析问题, 阐述了传统的电子导航地图匹配方法用于浮动车轨迹地图匹配时的主要问题, 提出了基于空间语义特征的浮动车轨迹匹配算法, 并结合实际数据进行了试验验证, 本文提出的基于空间语义特征的全局路径匹配方法取得了很好的匹配效果, 并可还原浮动车轨迹经由的真实路径。     

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。     

一种基于地理信息的手机用户定位方法北大核心CSCD

基于手机信令数据的用户轨迹行为分析已广泛应用于交通监测、城市管理、人口分析等多个业务领域。针对手机基站定位与用户实际位置存在偏差且驻留轨迹缺失语义信息的问题,本文提出了一种基于地理信息的手机信令数据用户定位方法。该方法首先构建面向轨迹分析的地理实体数据采集规范;然后对手机信令数据进行聚类,建立地理实体与基站的权重映射关系;最后使用时空推理及对轨迹的深度学习技术,将用户有效驻留轨迹点拟合至实际的地理实体,实现用户定位。验证结果表明,该方法提升了用户定位的准确度,为后续业务场景的应用提供了可靠的数据支撑。     

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。     

众源车辆轨迹加油停留行为探测与加油站点提取

针对当前加油站点信息采集成本高、更新周期长等问题,提出了运用车辆轨迹数据提取加油站点的方法。首先,从轨迹运动特征、几何模式等方面分析个体和群体加油行为轨迹特征。其次,基于Stop/Move模型,集成加油轨迹运动特征提出速度序列线性聚类算法提取加油停留轨迹。最后,运用Delaunay三角网层次聚类加油停留轨迹线,综合运用傅里叶形状识别、语义约束等方法识别、提取加油站点。运用北京市7d的出租车轨迹数据进行试验分析,共提取482个加油站,正确率为93.1%,且位置精度高。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

室内行人移动行为识别及轨迹追踪

作为室内位置服务的基础,室内定位技术近年来得到了广泛的关注。针对现有室内定位技术存在成本高、精度有限以及效率不足等问题,提出了一种融合人类活动识别、行人航迹推算(pedestrian dead recko-ning,PDR)以及地标匹配修正等技术的室内行人位置推算方法。该方法使用基于智能手机的PDR技术来估算用户的位置信息,而人类活动识别技术则用来感知用户室内移动行为中的特定地标,利用这些地标信息来辅助修正PDR轨迹中产生的累积误差。此外,为了解决用户初始位置未知的问题,引入隐式马尔科夫模型进行推断,并提出了一种顾及室内环境特征的维特比算法来确定用户轨迹。实验结果显示,所提方法在提高室内行人移动行为识别和定位精度的同时,有效实现了用户室内轨迹的追踪。     

一种室内导航网络众包构建方法

室内导航网络是室内位置服务的基础,传统人工测绘或基于CAD半自动提取等方法时效性较差。室内移动对象众包轨迹数据的出现为室内导航网络构建提供了一种新的解决方案。提出一种室内导航网络众包构建方法。首先提取出用于构建室内导航网络的廊道区域轨迹点;其次通过轨迹点生长融合聚类算法将廊道轨迹点转化为聚类点;最后通过聚类点连接生成室内导航网络。以某商城一楼2 d的移动对象轨迹数据进行了实验。结果表明,本文方法提取的室内导航网络准确度较高,能够为室内空间结构快速变化检测和更新提供支持。     

室内位置轨迹的聚类与可视化

室内移动对象轨迹数据分析是商铺促销、室内空间规划、广告竞价等具有重要商业价值的应用基础，在公共安全、应急方案中也是必不可少的部分，近年来越来越受到研究者的重视。为了实现室内移动对象轨迹聚类分析，本文提出了一种将DBSCAN聚类算法与可视化相结合的综合分析方法。首先利用DBSCAN算法对某商场大厦内采集的基于手机WiFi信息的室内轨迹数据进行聚类处理；然后对得到的聚类成果和信息进行分析，为该商场的布局规划和店铺调整等提供一定的参考信息；最后，对该商场大厦的室内轨迹数据进行热度图可视化展示，并将展示效果与聚类结果进行对比，相互验证。     

基于图的语义室内导航模型构建研究

室内空间模型是室内导航的基础和关键所在,针对当前多数室内空间模型在建模过程中只考虑部分导航相关的影响因素,适用范围有限这一问题,结合室内导航特点,综合考虑用户室内移动特征、几何和语义信息表达、路径规划效率3个方面的建模影响因素,提出一种基于图的语义室内导航模型。基于图论的方法构建室内导航概念模型,然后在概念模型的基础上提出具体的几何图模型构建方法和语义信息表达方式,设计图模型中节点和边的数据结构,最后研究将该模型用于不同情景下室内路径规划的具体流程。     

DeepIndoorCrowd: Predicting crowd flow in indoor shopping malls with an interpretable transformer network

Accurate and interpretable prediction of crowd flow would benefit business management and public security. The existing studies are challenged to adapt to the indoor environment due to its complex and dynamic spatial interaction patterns. In this study, we propose a crowd flow predicting method for indoor shopping malls, which simultaneously features temporal variables and semantic factors to suit the shopping mall environment. A deep learning model named DeepIndoorCrowd is presented. The model aims at capturing temporal dependencies and the semantic pattern in crowd flow to generate an accurate multi-horizon prediction. With a multi-term temporal dependency capturing structure, the model is effective in learning both daily and weekly patterns of the indoor crowd flow in a shopping mall and is able to provide the temporal interpretation of the prediction result. Moreover, a semantic-temporal fusion module is introduced to utilize the semantic information of stores in prediction, which has proved to be effective in enhancing the model's ability to learn temporal patterns. Experiments were conducted on a real-world dataset to verify the proposed approach. The ablation study demonstrates that the DeepIndoorCrowd can effectively improve the efficiency and accuracy of the prediction up to 18.7%. In addition, some interesting indoor crowd flow patterns were discovered by analyzing the model's interpretation of the prediction result. The proposed prediction method provides an intuitive way of modeling indoor crowd flow, and the experiment's outcome can help indoor managers better understand stores' flow traffic.     

Weka‐STPM: a Software Architecture and Prototype for Semantic Trajectory Data Mining and Visualization

Enormous quantities of trajectory data are collected from many sources, such as GPS devices and mobile phones, as sequences of spatio‐temporal points. These data can be used in many application domains such as traffic management, urban planning, tourism, bird migration, and so on. Raw trajectory data, as generated by mobile devices have very little or no semantics, and in most applications a higher level of abstraction is needed to exploit these data for decision making. Although several different methods have been proposed so far for trajectory querying and mining, there are no software tools to help the end user with semantic trajectory data analysis. In this article we present a software architecture for semantic trajectory data mining as well as the first software prototype to enrich trajectory data with both semantic information and data mining. As a prototype we extend the Weka data mining toolkit with the module Weka‐STPM, which is interoperable with databases constructed under OGC specifications. We tested Weka‐STPM with real geographic databases, and trajectory data stored under the Postgresql/PostGIS DBMS.     

室内位置地图数据模型构建与应用

室内位置地图是实现位置服务的基础,不仅包含室内空间对象的几何信息,而且还包含对象之间的位置关联关系和语义特征。现有的地图数据模型缺少从位置服务的角度对室内空间的全面分析和描述,难以满足多样化的应用需求。采用面向对象方法构建了室内位置地图概念模型和逻辑模型,实现室内空间几何形态、位置关系和语义特征的统一描述,并通过位置和语义关联提供精准化、适人化的信息服务。结合商场室内个性化推荐与路径导航等位置服务实验,初步验证数据模型的有效性。     

Determining Semantic Similarity of Behaviour Using Natural Semantic Metalanguage to Match User Objectives to Available Web Services

Natural Semantic Metalanguage specifies a set of semantic primitives identified by linguists since the 1970s as being present in all analysed languages and not capable of further reduction. In this article, the 63 semantic primitives are used to define the semantics of user objectives and web services in the form of semantic explications, which are then compared to determine whether the web services are likely to be helpful in meeting the user objective. The comparison of the user objectives and web services is a two stage process. Firstly, the content is compared by classifying the semantic primitives from the candidate web service and user objective on the basis of whether the primitives are common or similar. On the basis of these classifications, the percentage match and semantic relationship (subset, superset, overlaps, disjoint, identical) are determined. Secondly, the order of the semantic primitives is compared and the edit distance determined as a measure of semantic similarity. The method is tested using two examples: a comparison of spatial relations and a comparison of a user objective and three geospatial web services. The results show that the method is able to determine which concepts are broadly semantically similar and which are not.