基于用户信誉的自发地理信息可信度计算模型

自发地理信息(volunteered geographic information,VGI)由大众志愿者自发标报,导致其可信度具有诸多不确定性,但目前的研究工作很少考虑用户信誉对于VGI质量的影响,因此提出基于用户信誉的VGI可信度计算模型。首先提出了VGI的用户信誉模型,模型综合考虑了用户的初始信誉和评价信誉两方面,在此基础上综合地理要素的编辑过程和贡献者的信誉等因素发展了地理对象的可信度计算模型。最后采用OpenStreetMap的真实历史数据中的线对象进行实验,实验结果表明,线要素的质量和可信度值呈正相关关系。本文从可信度的角度来评价自发地理信息,为VGI的质量评价和筛选提供了新的视角。     

面向地理实体的语义相似性度量方法及其在道路匹配中的应用

语义相似性度量是实现多源矢量空间数据集成与融合的关键技术。首先以地理实体为研究对象,从矢量空间数据表达视角对地理实体的语义信息进行分析与描述,提出基于多特征约束的语义相似性度量模型。然后该模型将地理要素分类关系作为控制条件提取目标实体集,在构建实体间语义特征对应关系的基础上引入属性特征熵的概念,计算不同特征的权重值,进而综合多特征相似性来度量地理实体的整体语义相似程度。最后将该模型应用到道路实体匹配实验中,通过计算实体之间的语义相似性实现匹配,验证了该模型的有效性。实验结果表明,基于多特征约束下的语义相似性度量模型能够合理计算地理实体的语义相似度,且提高了地理实体语义匹配效率。     

顾及语义知识的地理空间数据快速检索

大数据时代地理空间资源不断增多,但现有通用知识库较少考虑地理空间数据蕴含的语义知识,难以实现数据的快速检索.因此亟需引入本体技术,以蕴含的语义知识为基础,提高地理空间数据访问速度,精确获取用户所需信息.以本体为基础,提出了顾及地理空间数据语义知识的快速检索方法.首先,基于通名编码规则、地理空间数据和开源百度百科数据构建...     

基于主题特征的地理大数据挖掘与推荐技术

研究了一种基于主题特征的地理大数据挖掘及推荐技术,通过建立空间数据与非空间数据的语义关联、聚类分析等手段,将非空间数据进行空间化,实现同步挖掘。通过对数据单元中含有的主题类别信息的判断,将满足用户需求的地理大数据挖掘结果推荐给用户。该技术可以从大量具有较低密度值的非结构化数据中提取信息和发现知识,且推荐的准确度和效率较高。     

一种基于协同过滤的旅游行程推荐算法

针对现有的个性化推荐算法在旅游行程推荐领域应用较少,技术不成熟等缺陷,提出基于一种改进协同过滤算法的行程推荐算法。该算法首先依据偏好度计算方法分析用户对于不同类型旅游目的地的偏好程度,形成用户-旅游目的地偏好矩阵,并基于偏好矩阵优化K-Means算法的初始聚类中心,为目标用户建立邻近用户集,最后利用改进的相似度计算方法为目标用户寻找偏好相似的历史用户,从而产生行程推荐。实验结果表明,该算法能够快速搜索较小的邻近用户,得出推荐结果,不仅具有较快的推荐效率,而且具备较好的推荐精准度,在一定程度上为个性化旅游行程推荐服务提供了支撑。     

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。     

关注点推荐算法的霍克斯过程法

关注点（point-of-interest,POI）推荐是基于位置的社交网络（location-based social network,LBSN）中重要的个性化位置服务。针对LBSN中用户签到数据的复杂性和高度稀疏性问题,本文提出了一种基于霍克斯过程的上下文感知协同过滤关注点推荐算法（HWCF）。首先,根据用户签到关注点的地理空间聚集现象分析用户行为特征,筛选用户候选关注点;然后,利用霍克斯过程对候选关注点建模,通过融合空间距离信息、空间序列变换信息、时间信息、用户偏好、关注点流行度等多种上下文信息计算用户访问候选关注点的概率,对访问概率排序得到top-k推荐列表;最后,对算法参数的取值及调整过程进行讨论。试验结果表明,HWCF算法比其他的关注点推荐算法具有更好的推荐效果。     

一种改进的Lucene算法及在空间数据融合中的应用

在“互联网+”时代,众源地理空间数据已成为重要的数据来源,但由于众源数据存在冗余和精度不高等问题,如何有效利用众源数据已成为地理信息技术研究的热点。众源POI数据一般通过与标准数据进行同名点匹配解决上述等问题。而同名点匹配常用的方法有编辑距离算法、最长公共子串算法、贪心字符串匹配算法,这些方法存在匹配效率低、缺少语义判断等问题。为此本文基于Lucene提出了一种基于语义相似度的快速匹配算法,试验结果表明,与传统的字符匹配方法相比,本文提出的方法在运算效率上有显著的提升,同时还能通过判断语义相似度提高匹配率。     

地理信息志愿者信誉度评估的版本相似度模型——以面目标为例

针对自发地理信息中存在大量恶意、虚假、低质量数据,提出了一种基于版本相似度的VGI志愿者信誉度计算模型。该模型将每个志愿者对某个地理空间目标的一次编辑结果定义为一个版本,当其他用户编辑该目标版本时,通过计算版本相似度来获得其他用户对该志愿者这个目标版本的支持度;然后通过计算其他贡献者对某志愿者所贡献的每个目标的支持度,对所有目标的支持度进行加权平均获得该志愿者的综合信誉度。其中版本相似度综合目标空间和属性相似性的主要因素进行加权计算。然后以面目标为例阐述了本文志愿者信誉度计算过程。为了验证本文信誉度计算模型的合理性,笔者采用德国柏林OpenStreetMap数据进行试验,试验表明通过本文模型计算获得的用户信誉度与其贡献的要素质量总体上正相关。     

众源地理空间数据的城市热点区域探测

针对众源地理空间数据具有丰富的空间、时间和语义信息,将其应用于城市热点区域的探测可为城市发展规划、区域监督预警及大众服务等提供有力支撑的问题,该文提出了一种基于众源地理空间数据的城市热点区域探测方法。针对新浪微博签到数据的特性,以新浪微博2015年全年的签到数据为例,采用一种改进的空间采样方法获取格网单元的用户活跃度与类型信息,在此基础上,依次利用度量空间相关性和方向特征的空间测度对签到数据的空间模式进行了分析,最终探测到城市热点区域及其大致发展方向。结果表明,该方法具有周期短、成本低、可靠性高等特性,为城市热点区域的探测提供了一种新手段。     

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。     

Spatiotemporal analysis of photo contribution patterns to Panoramio and Flickr

ABSTRACT

Photo-sharing services provide a rich resource of crowdsourced spatial data consisting of georeferenced imagery and metadata. Shared photos can provide valuable information for a variety of applications and geospatial analysis tasks, such as identifying tourist hot spots or traveled routes. Understanding the spatiotemporal patterns of photo contributions will allow analysts to assess the suitability of these data for related analysis tasks. Using California as a study area, this paper analyzes various aspects of photo contribution patterns of Panoramio and Flickr. It identifies areas where annual photo contributions are still growing and areas that undergo a decline in annual contributions. Multiple regression is used to identify which environmental correlates are associated with an increase in photo-sharing activities. Furthermore, panel data of annual contributions between 2006 and 2013 for California subcounties will be used in a regression model to demonstrate that there is a positive feedback effect between Panoramio and Flickr photo contributions, but no neighborhood effect. The results of this paper provide insight into the data quality of crowdsourced image collections. These collections are commonly used for geospatial applications, including tourist information services and the computation of scenic routes.     

Building a model-based personalised recommendation approach for tourist attractions from geotagged social media data

When travelling, people are accustomed to taking and uploading photos on social media websites, which has led to the accumulation of huge numbers of geotagged photos. Combined with multisource information (e.g. weather, transportation, or textual information), these geotagged photos could help us in constructing user preference profiles at a high level of detail. Therefore, using these geotagged photos, we built a personalised recommendation system to provide attraction recommendations that match a user's preferences. Specifically, we retrieved a geotagged photo collection from the public API for Flickr (Flickr.com) and fetched a large amount of other contextual information to rebuild a user's travel history. We then created a model-based recommendation method with a two-stage architecture that consists of candidate generation (the matching process) and candidate ranking. In the matching process, we used a support vector machine model that was modified for multiclass classification to generate the candidate list. In addition, we used a gradient boosting regression tree to score each candidate and rerank the list. Finally, we evaluated our recommendation results with respect to accuracy and ranking ability. Compared with widely used memory-based methods, our proposed method performs significantly better in the cold-start situation and when mining ‘long-tail’ data.     

局域差分GPS的数学模型

局域差分GPS中,用户到基准站的距离对定位精度有着决定性影响。利用基准站生成用户误差改正数,其算法很多。文中针对局域差分GPS的数学模型空间相关性,介绍几种常用的内插方法,如加权平均法、线性内插法、低次曲面模型法及三角形内插法,并分析各种方法的内插系数和内插质量因子。利用局域差分GPS进行定位时,只有当用户站位于基准站构成的多边形网内时,才可能得到较高的精度。     

Rating crowdsourced annotations: evaluating contributions of variable quality and completeness

Crowdsourcing has become a popular means to acquire data about the Earth and its environment inexpensively, but the data-sets obtained are typically imperfect and of unknown quality. Two common imperfections with crowdsourced data are the contributions from cheats or spammers and missing cases. The effect of the latter two imperfections on a method to evaluate the accuracy of crowdsourced data via a latent class model was explored. Using simulated and real data-sets, it was shown that the method is able to derive useful information on the accuracy of crowdsourced data even when the degree of imperfection was very high. The practical potential of this ability to obtain accuracy information within the geospatial sciences and the realm of Digital Earth applications was indicated with reference to an evaluation of building damage maps produced by multiple bodies after the 2010 earthquake in Haiti. Critically, the method allowed data-sets to be ranked in approximately the correct order of accuracy and this could help ensure that the most appropriate data-sets are used.     

顾及信誉的众源时空数据模型

提出了一种顾及信誉度的众源时空数据模型。在分析众源时空数据中地理要素、目标状态、对象版本、贡献者、信誉度、改变现实空间实体或信息空间对象状态的事件等要素间的相互作用机理的基础上,采用面向对象方法设计了一种顾及信誉度的众源时空数据组织方法,用UML对其进行描述,分析了与信誉度相关操作及其联动关系,得出了8条联动规则。开发了顾及信誉度的众源时空数据管理原型系统,验证了所提模型的有效性。     

顾及眼动数据的网络地图点状符号用户兴趣分析方法

为解决网络地图个性化推荐过程中点状符号用户兴趣分析结果准确性低的问题,提出了一种基于眼动数据的网络地图点状符号用户兴趣分析方法。利用空间认知测试法筛选39名认知能力一致的被试者参与实验,使用眼动仪采集被试者在浏览4类点状符号素材过程中的眼动数据,同时记录被试者的鼠标数据;分别计算时间、次数与尺寸类型眼动数据用户兴趣度,利用熵权法将3类数据进行整合,设计了一种基于多项眼动数据的用户兴趣度计算方法。研究结果表明,用户兴趣度分析结果正确率为85.9%,优于鼠标数据,证明所提方法能够有效分析用户兴趣,点状符号用户兴趣度计算公式稳定可靠,有助于提升个性化推荐结果的准确度。     

Satellite image analysis using crowdsourcing data for collaborative mapping: current and opportunities

ABSTRACT

Researchers are continually finding new applications of satellite images because of the growing number of high-resolution images with wide spatial coverage. However, the cost of these images is sometimes high, and their temporal resolution is relatively coarse. Crowdsourcing is an increasingly common source of data that takes advantage of local stakeholder knowledge and that provides a higher frequency of data. The complementarity of these two data sources suggests there is great potential for mutually beneficial integration. Unfortunately, there are still important gaps in crowdsourced satellite image analysis by means of crowdsourcing in areas such as land cover classification and emergency management. In this paper, we summarize recent efforts, and discuss the challenges and prospects of satellite image analysis for geospatial applications using crowdsourcing. Crowdsourcing can be used to improve satellite image analysis and satellite images can be used to organize crowdsourced efforts for collaborative mapping.     

北斗广域差分分区综合改正数定位性能分析

目前北斗广域分米级星基增强系统在钟差改正数、轨道改正数的基础上,提出了基于相位观测值的分区综合改正数,介绍了分区综合改正数的概念及单频、双频用户的使用方法与定位模型。利用中国范围不同地区的北斗观测数据和对应的分区综合改正信息,统计了单频和双频用户分区综合改正精密单点定位的精度,并对其收敛性进行了分析。通过与使用GFZ提供的北斗超快速精密星历的定位效果比较,验证了分区综合改正定位在实时定位中的优势。在此基础上进一步对中国范围内分区综合改正定位效果与分区中心距离的关系进行了分析,并对不同观测时间长度的定位效果进行比较。结果表明,经分区综合改正后的双频用户平均25 min内动态定位三维误差能收敛至0.5 m以内,收敛后的定位精度为水平0.15 m,高程0.2 m;单频用户平均20 min内动态定位三维误差能收敛至0.8 m以内,收敛后的定位精度为水平0.3 m,高程0.5 m。随着用户站距离分区中心越远,定位效果总体呈现变差的趋势。总体上,当用户在分区中心1 000 km范围内时,北斗广域分区综合改正数将能提供实时分米级定位服务。