基于分层地标的多粒度路径导引描述方法

路径导引是导航与位置服务领域重要研究内容之一,传统Turn-by-Turn的方式能够给予人们在陌生环境下的导引信息,但不符合人们的对于熟悉环境下的认知和日常沟通习惯。基于地标的描述方式更加符合人们的认知习惯,尤其对熟悉周边环境的本地人而言（如出租车司机）。通过按照地标的显著度进行分层,建立多粒度的路径导引描述信息,符合人们由概略到详细的空间认知规律,能有效提高人们寻路反馈、处理和知识共享的能力。以面向导航为目的,针对不同尺度的地标认知空间完成了多粒度的地标形式化建模,设计了更为符合人们认知习惯的、多粒度的路径导引描述方法。     

顾及地标可视性的室内导航路径优化算法

提出了一种构建室内行人通行网络的方法,利用矢量建筑图自动构建室内建筑、地标的可视关系,建立行人导航通行规则,支持室内导航路径规划。实验结果表明,此方法能够有效描述室内行人通行规则,并满足拓扑网络构建的实时性需求,减少大规模存储与维护室内路网的压力。在此基础上提出了一种多目标导航路径优化算法,该算法时间开销较低,能够实时地进行路径规划,得到的最优路径与最短路径相比具有更高的地标可见性和覆盖率。     

顾及地标与道路分支的行人导航路径选择算法

提出顾及地标与道路分支的行人导航路径选择算法。该算法能够利用地标降低导航路径的复杂程度,帮助视觉正常的行人确认当前位置以及是否偏离了当前路径。实验表明,本算法能够较好地平衡导航路径的三种优化目标:行程距离、路径复杂度以及路径地标数量。与最短路径算法相比,该算法选择的路径具有较低的复杂度与较高的路径地标密度。     

面向行人导航的地标链生成方法

提出了面向行人导航的地标链生成方法,将地标信息引入行人导航过程。描述了有向通视图构建与地标链生成算法,并以武汉大学为实验数据进行了算法实现。结果表明,地标链能以有限的地标影像提供路径引导信息,为行人导航提供一种行之有效的导航手段。     

利用城市POI数据提取分层地标

为了获取能够用于智能化路径引导的层次性空间知识,提出了一种依据显著度的差异从城市POI数据中提取出分层地标的方法。首先,通过从公众认知、空间分布和个体特征3个方面分析影响POI显著性的因素,构造了包括公众认知度、城市中心度和特征属性值3个指标向量的POI显著性度量模型;然后,分别讨论了利用问卷调查、多密度空间聚类和数据规格化的方法计算POI对象的各项显著性指标值的过程;最后,选择武汉市武昌地区的POI数据进行显著度计算,从中提取显著度较高的对象构成若干层地标,并以各层地标为种子生成加权的Voronoi图,用来反映各地标的空间影响范围并建立了同层和上下层地标之间蕴含的关系。     

城市地理空间数据粒度的比较与确定方法研究

本文以空间数据多边形的平均等面积圆直径作为粒度特征尺度,将城市地理空间数据分成六个关键空间层次,并对各空间层次数据进行了粒度分析,建立了空间粒度与空间层次的数学模型。基于本研究确立的关键空间层次,以城市问题的研究精度作为选择条件,讨论了按粒度等级选择适当空间层次的方法。同时详细描述了利用GIS软件提取、制作各空间层次数据的具体技术步骤和方法。     

线状障碍物的可视最短路径Voronoi图生成

对偶生成法和直接修正法是构造可视最短路径Voronoi图的两种基本途径。本文提出了分段剖分、整体剖分和统一剖分的修正思路;放宽了以往修正法中障碍物端点必为生长点的限制,并提出了能有效处理公共边的分簇算法和最适搜索算法,实现了在有限制的线状障碍物下对普通Voronoi图的有效修正,以生成可视最短路径Voronoi图。     

基于网络Voronoi图的大规模多仓库物流配送路径优化

由于存在多约束和多个优化目标,物流配送决策非常困难。针对城市多仓库物流配送问题,提出基于网络Voronoi图的空间启发式优化方法。从空间角度,将多仓库物流配送优化分解为区域分割和路径优化两个空间子问题。基于网络Voronoi覆盖进行服务区域初始划分,顾及仓库容量差异,进行区域边界修正,并创建初始解。路径优化将局部搜索范围限定在网络K近邻内,只搜索最有可能的空间邻域,迭代改进解的质量。该算法最小化路径数量和路径长度。利用深圳市的大规模多仓库物流配送问题测试算法性能。试验结果表明：本文方法能够在15min内求解6400个客户点的大规模物流配送问题,解的质量优于ArcGIS约10.8%,计算时间约为其21.2%。     

基于多粒度的交通时空数据组织方法

在分析道路交通数据时空特征的基础上,引入多粒度时空数据模型,对道路交通实体对象进行面向对象的抽象,进而对交通网络数据进行组织,设计了交通实体时空信息的整体构架,实现对道路交通时空数据的多粒度组织与管理。     

从城市兴趣点中提取多层次地标方法探究

为了获取结构化空间知识,本文在前人研究基础上,提出一种依据显著度差异从城市POI数据中提取多层次地标的方法。分别从知名度、通达度以及个体特征三个方面量化分析了影响POI显著性的因素;然后利用这三个指标构建了POI显著性度量模型,并进行了武汉市武昌区地标提取实验。最后,以各层地标为种子生成Voronoi图,用来反映各层地标的空间影响范围及上下层地标之间蕴含的认知规律。     

导航地标评价体系的构建及其在行人导航中的应用

在分析现有基于地标行人导航方法的基础上,针对其不足构建出易于应用的导航地标评价体系。结合灵活的指标定权方法及直观的导航图形界面路径引导方法,在武汉大学信息学部进行了行人导航的实验应用。实验结果表明,本方法可以满足不同用户对于导航信息需求的差异,降低数据显示冗余、减轻行人空间认知负担、提高决策效率与成功率,达到简化行人导航的目的。     

基于自然语言路径描述的地图空间认知研究

路径描述是日常生活中常见的地理空间信息应用方式,涉及到自然语言与地图语言的表达及转换关系.本文采用认知实验的方法,对自然语言的路径描述及其认知过程进行分析,研究了路径认知与表达上所涉及的空间关系,总结了利用自然语言表达地图空间信息的规律和习惯用法.     

图像显著度和信息量均衡的地标链生成方法

提出基于图像显著度和信息量均衡的地标链生成方法,该方法建立地标显著度、全景图信息量和地标切换次数的多目标模型,基于遗传算法生成多目标优化的地标链。实验表明,能较好地平衡地标显著度、全景图信息量及地标切换次数等优化目标,生成的地标链具有较高的显著度与较低的视觉认知负担。     

多粒度时空对象数据入库方法初探

全空间信息系统中,多粒度时空对象建模最终成果主要分为多粒度时空对象交换格式数据和多粒度时空对象数据库数据两种形式。对比分析了两者对多粒度时空对象的组织和存储方式,探讨了对象数据入库流程,设计并实现了基于规则的多粒度时空对象入库方法。该方法主要有两点优势:1)实现了入库工具与源数据格式及目标数据库结构的解耦、减少了编码工作量;2)为应对后续多粒度时空对象建模理论的演进与发展提供了灵活而强大的扩展机制。实验表明该方法为多粒度时空对象数据入库提供了一个可行的解决方案。     

空间认知驱动的自适应路径引导

为了生成符合人们认知习惯、反映用户空间知识并易于利用自然语言表达的路径引导, 提出了一个将路径抽象为一系列结构统一、具有时序性和多粒度性且可以被加工为指导用户沿路径前进的短语或句子的指示单元的表达框架,并说明了利用环境结构、路径特征、先验知识等上下文因素生成多粒度的指示单元, 从中选择最合适的指示单元, 进而实现自适应路径引导的方法。通过与传统的采用“Distance-to-Turn”模式的路径引导进行对比可以发现, 基于空间认知的自适应路径引导更加符合人们描述路径的方式, 能够降低用户的认知压力并提高导航的效率。     

顾及地图要素级别的几何信息量量测方法

类型和级别是作为地图要素表达的重要方式,但将其引入地图信息量量算是很困难的。本文在总结了传统量测方法不足的基础上,利用加权Voronoi图的空间划分特性,用各生成元面积比重新定义了熵的计算公式,基于经典信息量量算方法提出一种多级要素地图几何信息量量测方法;同时指出对多类地物应独立计算信息量。实验表明,该方法符合熵的相关结论,同时符合人的空间认知特性。     

多粒度时空对象支持下湿地时空行为认知与表达初探

湿地作为一种活的空间实体,其时空行为错综复杂,认知和表达一直是该领域研究的重点和难点。全空间信息系统以多粒度时空对象直接对现实世界进行抽象和描述,比传统GIS更符合人的认知特点。因此,本文基于多粒度时空对象建模思想,分别对湿地数据组织、时空行为认知和表达进行了初探。结果表明：湿地时空行为可按对象粒度、数量和特征属性进行分类,且行为表达可通过动态展示,分析建模和模型预测层层递进,较以往表征方式具有动态关联近实时等优势,可为湿地资源的动态监测提供一种新的研究思路。     

基于多粒度的时空数据模型构建研究

在时空数据模型的基础上引入时空量化的思想,将对象进行空间和时间的多粒度形式化表达,同时结合面向对象和基态修正模型的设计理念,提出了一种基于多粒度的时空数据概念模型和逻辑模型的构建方法,实现对时空数据分层多粒度的组织与管理。     

基于多粒度建模的海量AIS数据三维可视化索引方法研究

随着航运业的蓬勃发展和通信手段的日新月异,AIS技术应运而生。其数据特点是数量众多、位置及状态更新频繁,如果没有一套合理高效的建模及可视化方案,很难满足多方面用户对于三维可视化高效、直观的要求。在详细分析AIS数据的模型粒度的基础上,设计并实现基于"视点选择法"的多粒度建模方法,通过构建面向移动对象的动态空间索引,实现海量AIS数据的三维可视化,并通过实验验证算法的可行性。     

综合线面特征分布的点目标多尺度聚类方法

考虑空间数据分布的复杂性与不连续性,提出了一种点目标聚类方法。算法利用全要素Voronoi图准确识别与表达点目标与线面实体的空间相关性;根据点目标位置分布特征计算面积阈值来控制聚类的粒度,同时以空间尺度变化下面积阈值的恒定作为判断尺度收敛的条件,实现点目标的多尺度划分,时间复杂度为O(nlogn)。经试验验证,聚类尺度随点目标分布特征自适应收敛,算法无须自定义参数,能够有效地发现受线面目标约束的任意形态点目标集群,对异常值处理稳健。