EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 11: 1448 - 1455

DOI: https://doi.org/10.3724/SP.J.1047.2016.01448

特约稿件

架起GIS与计算机科学的桥梁：ACM SIGSPATIAL 2015 会议综述

  • 刘希亮 ,
  • 程诗奋 ,
  • 余丽 ,
  • 刘康 ,
  • 陆锋 , *
展开
  • 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
*通讯作者：陆 锋（1970-）,男,博士,研究员,博士生导师,研究方向为导航与位置服务、空间数据库技术、交通地理信息系统等。E-mail:luf@lreis.ac.cn

作者简介：刘希亮（1983-）,男,河北衡水人,博士后,研究方向为时空智能计算、智能交通系统。E-mail:

收稿日期: 2016-08-04

  要求修回日期: 2016-09-25

  网络出版日期: 2016-11-20

基金资助

国家自然科学基金项目（41631177、41601421）

中国博士后科学基金项目（2015M581158）

收起

Bridging the Gap between GIS and Computer Science: Review on ACM SIGSPATIAL 2015

  • LIU Xiliang ,
  • CHENG Shifen ,
  • YU Li ,
  • LIU Kang ,
  • LU Feng , *
Expand
  • State Key Lab of Resources and Environmental Information System, Insititute of Geographic Sciences and Natural Resource Research, Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: LU Feng, E-mail:

Received date: 2016-08-04

  Request revised date: 2016-09-25

  Online published: 2016-11-20

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

ACM SIGSPATIAL会议是GIS科学与计算机科学结合最广泛的国际顶级会议。会议主题围绕计算机科学与GIS研究中的热点问题,涵盖时空数据挖掘、时空数据模型和算法、位置服务、地图匹配、分布式和并行计算、路径规划、轨迹计算等研究方向,具有重要的学术价值和应用价值。本文对第二十三届ACM SIGSPATIAL会议（ACM SIGSPATIAL 2015）进行了总结,将当前计算机科学与GIS交叉研究领域的研究前沿归纳为多源数据融合、轨迹分析、语义分析3个研究方向,同时介绍了ACM SIGSPATIAL 2015会议的主题演讲、会议竞赛以及会议专题研讨会等相关内容,希望展示当前计算机科学与GIS领域相结合的最新研究进展,架起GIS与计算机科学的桥梁。

关键词： ACM SIGSPATIAL; GIS; 多源数据; 轨迹分析; 语义

本文引用格式

刘希亮 , 程诗奋 , 余丽 , 刘康 , 陆锋 . 架起GIS与计算机科学的桥梁：ACM SIGSPATIAL 2015 会议综述[J]. 地球信息科学学报, 2016 , 18(11) : 1448 -1455 . DOI: 10.3724/SP.J.1047.2016.01448

Abstract

ACM SIGSPATIAL conference is the international summit which highlights the inter-discipline between Geographical Information Science (GIS) and Computer Science (CS). The former name of this conference is ACM SIGSPATIAL GIS. Since 2014, the name of the conference has changed to ACM SIGSPATIAL. After 23 years' development (1993-2015), ACM SIGSPATIAL has taken a wide coverage among spatio-temporal mining, spatio-temporal modeling and algorithm, location-based service, map matching, parallel computing, navigation and trajectory analysis, etc. All the topics in ACM SIGSPATIAL represent the state-of-the-art and the-state-of-the-technique levels in current GIS and CS domains, showing important values both for academic and industrial researches. In this paper, we introduced ACM SIGSPATIAL 2015 in details, including the main conference, the workshop, and keynote speaking and the ACM SIGSPATIAL CUP. We analyzed the acceptance rate of ACM SIGSPATIAL 2015 in the main conference, including full papers, vision papers, and demo papers. We paid attention to the spatial distribution of the accepted papers, and projected the nationalities of all the first authors onto the map. We also drew the word cloud for the accepted papers based on the statistics of key words and abstracts. Furthermore, we classified the data types employed in these papers. These statistical data showed the hot topics in current GIS and CS researches. To better grab the key points of the presentations in the main conference, we clustered all the presentations into three directions: (1) the value of multi-source data, (2) the dominated priority of trajectory research, and (3) the rising of semantic analysis. We selected representative papers for each direction and reviewed them in details. The workshops in ACM SIGSPATIAL 2015 took 12 sessions, relating to mobile entity localization and tracking, privacy in GIS, emergency management on the use of GIS, geo-streaming, smart cities and urban analytics, big geospatial data analysis, LBSN service, mobile geographic information system, indoor spatial awareness and computational transportation science. UrbanGIS 2015 and EM-GIS 2015 were newly included in ACM SIGSPATIAL 2015. The scope of all the workshops covered the current hot topics in the research fields. The ACM SIGSPATIAL CUP was the special feature of this conference. This year's contest was about finding the shortest path under polygonal obstacle constraints. Computing shortest paths in real-time had become a necessity with the advent of online web services. It also became imperative to provide shortest paths under various constraints. Many online services now support a variety of constraints, including avoiding tolls and boarders to selecting favorite highways. Top three teams were invited to submit a four page paper for the ACM SIGSPATIAL CUP session. In this paper, we reported the work from the top team in details.As the premier annual event of the ACM Special Interest Group on Spatial Information, ACM SIGSPATIAL fosters interdisciplinary discussions and researches in all aspects of GIS. We hope to show the latest progresses in this buzzing field, and bridge the gap between GIS and CS.

Key words： ACM SIGSPATIAL; GIS; multi-source data; trajectory analysis; semantic

1 引言

ACM SIGSPATIAL（http://www.sigspatial.org/）是国际计算机学会（Association for Computing Machinery, ACM）空间信息专业委员会（ACM SIGSPATIAL）主办的学术会议。会议全称为ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems。ACM SIGSPATIAL会议已成功举办了二十三届（1993-2015年）。ACM SIGSPATIAL会议主题涵盖了时空数据挖掘、时空数据模型和算法、位置服务、地图匹配、分布式和并行计算、路径规划、轨迹计算等研究方向。目前,ACM SIGSPATIAL会议被公认为GIS学科的顶级学术会议。
ACM SIGSPATIAL 2015在美国的华盛顿西雅图贝尔维尤市举行。本文介绍了此次会议的各项议题,详细介绍了多源数据融合、轨迹分析、语义分析3大研究方向的前沿成果。目的在于展示当前计算机科学与GIS领域相结合的最新研究进展,架起GIS与计算机科学的桥梁。

2 ACM SIGSPATIAL 2015会议统计

ACM SIGSPATIAL 2015共收到212篇论文投稿,包括197篇研究型论文（regular research paper）和15篇工业界论文（industrial paper）。每篇论文至少经过4名专家的评审。最终接受长论文（full paper）38篇、短文（vision paper）42篇、演示论文（demo paper）25篇。研究型长论文录用率仅为17.9%。

2.1 录用论文地域分布

本文统计了ACM SIGSPATIAL 2015会议接受的38篇主会长论文、42篇主会短论文和25篇演示型短论文的第一作者的归属单位,并按照国家进行分类统计,得到本届会议主会论文的地域分布图,如图1所示。
从图1可以看出,本届ACM SIGSPATIAL会议的主会论文仍以主办国美国为主,共收录44篇;德国次之,共有15篇,其次是中国,共有8篇入选主会,反映了中国在GIS与计算机科学交叉研究方面的国际地位。
Fig. 1 Global distribution of the main conference papers

图1 主会论文地域分布图

2.2 ACM SIGSPATIAL 2015会议主题词云

本文ACM SIGSPATIAL 2015主会接收的38篇主会长论文、42篇主会短论文和25篇演示型短论文的题目、关键词以及文章摘要,生成了本届ACM SIGSPATIAL会议的主题词云,如图2所示。
Fig. 2 Word cloud of topics in ACM SIGSPATIAL 2015

图2 ACM SIGSPATIAL 2015会议主题词云

从图2可以看出,本届ACM SIGSPATIAL会议的主题议题不仅体现了当前GIS与计算机科学领域内对于大数据研究的重视,同时时空、路网、地图等传统GIS研究内容也在大会的主题中得到了充分展示。此外,语义分析、数据库查询、智能交通、城市计算等也包含在本届大会的主题词云中,反映了当前学术界与工业界研究的侧重。

2.3 ACM SIGSPATIAL 2015主会报告

ACMSPATIAL会议第一天为分会场的专题研讨会,然后是单一会场的主会报告。ACM SIGSPATIAL 2015主会报告共设立12个子主题,如图3 所示。
从图3可以看出,地图匹配与地理编码、空间数据挖掘以及路径规划子主题各有4篇主会论文,热点探测仅有2篇主会论文,其余各子主题均有3篇主会论文,反映出当前的研究热点。
Fig. 3 Histogram of main conference session topics in ACM SIGSPATIAL 2015

图3 ACM SIGSPATIAL 2015主会子主题直方图

2.4 ACM SIGSPATIAL 2015主会论文采用数据源

本文统计了ACM SIGSPATIAL 2015主会接收的38篇主会长论文、42篇主会短论文和25篇演示型短论文中所采用的数据源类型,如图4所示。
Fig. 4 Histogram of data types in the main conference of ACM SIGSPATIAL 2015

图4 ACM SIGSPATIAL 2015主会数据类型直方图

由图4可以看出,路网数据/OSM数据被使用的频率最高,其次是GPS轨迹数据,包括浮动车数据、个人GPS上传数据、私家车数据等。排在第三位的是其它数据类型,包括POI数据、WiFi数据、土地利用数据、疾病传播数据等,这反映出多源数据在当前交叉研究领域的广泛应用。排在第四位的集成数据集包含多种数据类型,进一步印证了多源数据在当前研究中的主导地位。社交媒体数据（Twitter、Flicker等）、遥感数据（LiDAR、Raster soils等）也在当前的研究中占有一席之地。

3 ACM SIGSPATIAL 2015主题分析

本文以38篇主会长论文为基础,将当前GIS与计算机科学的交叉研究概括为多源数据融合、轨迹分析和语义分析3大研究主题。

3.1 多源数据凸显价值

单一途径的数据源对于具体的研究问题表达有限,因此,当前GIS与计算机科学相关研究领域更趋向于利用多源数据进行相互补充,如轨迹数据和气象数据的融合[1]、基础地理信息数据和社交媒体数据的融合[2-3]等。ACM SIGSPATIAL 2015充分体现了多源数据融合的价值,用于交通预测、城市功能分区、人口普查等多个研究方向。
香港科技大学的Yexin Li作了题为“Traffic Prediction in a Bike Sharing System”的报告[4],采用公共自行车数据和天气数据对城市公共自行车站点的出入量进行预测。报告指出,虽然每个自行车站点的流量呈现无序性,但多个站点组成的区域点网的流量却呈现出一定的规律性,因此对于区域点网公共自行车流量的预测是可行的。报告还指出,对于单个网点的出入量预测是毫无必要的。通过建立一系列的借入、借出模型,文章最后提出并实现了一个区分周天的区域点网公共自行车流量预测模型。
瑞士苏黎世联邦理工大学的Zack Zhu以“Learning Functional Compositions of Urban Spaces with Crowd-Augmented Travel Survey Data”为题作了城市功能分区的研究报告[2],主要解决以下2个问题：① 如何采用交通调查数据和社交媒体数据进行城市功能分区,尤其是城市多功能混杂区域的识别?② 对于多功能混杂区域,如何识别其代表性的功能?研究中的数据包括普吉湾2014年家庭的个人出行数据、普吉湾带有16个分类的城市旅游数据、Foursquare数据和Twitter数据。为了解决第1个问题,作者首先对出行数据进行聚合,然后采用机器学习的方法,以{where, when, who}作为输入端,以城市功能分区作为输出端进行模型的训练和测试,训练结果的R2相关度为0.67。对于第2个问题,作者采用功能区聚类与功能区中心提取,实现了城市功能分区的定量化判断。
德国弗莱堡大学的Hannah Bast等研究如何进行高分辨率楼层级的人口密度分布估计。为了解决实际人口普查过程中不可能进行每层每户拜访的问题,他们提出了基于多源数据融合的人口普查分析方法[3],采用OSM数据、街道数据（道路等级、方向、道路宽度）、建筑物属性、POI数据、土地利用数据等,建立强监督机器学习方法,获得了楼层级人口分布与多源数据之间的对应关系,在实际的人口普查过程中取得了很好的效果。
明尼苏达大学的Desheng Zhang以“coMobile: Real-time Human Mobility Modeling at Urban Scale by Multi-View Learning”为题,提出了一种适用于多源数据融合的多视图学习模型[5],采用手机信令数据、浮动车数据、行车轨迹数据等协同进行交通流量预测,并提出了当前多视图学习领域不确定性视图的完整解决流程。通过提出coMobile的概念,解决了各视图之间权重分配的问题。这篇报告另外一项重要意义在于开放了TB级别的不同类型的真实实验数据,可在Desheng Zhang主页[6]直接下载,为相关的研究提供了宝贵的数据支持。

3.2 轨迹分析仍为主流

近年来,轨迹分析一直是ACM SIGSPATIAL会议的研究热点。如ACM SIGSPATIAL GIS 2010会议中,中国科学与技术大学袁晶通过分析浮动车轨迹数据进行路径推荐的论文获得了大会的Best Running-up奖[7];ACM SIGSPATIAL GIS 2011和ACM SIGSPATIAL GIS 2012会议专门有2个轨迹分析专题[8-9];ACM SIGSPATIAL GIS 2013与ACM SIGSPATIAL 2014会议中也有大量轨迹分析相关的文章[10-11]。ACM SIGSPATIAL 2015会议的轨迹分析主题代表了当前学术界与工业界的研究前沿。以下为几个现场关注度比较高的报告。
微软亚洲研究院的郑宇研究员作了题为“Detecting Collective Anomalies from Multiple Spatio-Temporal Datasets across Different Domains”的报 告[12]。报告的出发点在于传统针对单一时空轨迹数据集进行异常挖掘的研究,忽视了单一数据集对异常现象描述的片面性,一些数据集具有滞后性,而另一些数据集单独表现出来的异常性并不能完全反应真实的情况。作者提出一种多源数据集融合的方法来还原原始真实轨迹,主要解决以下3个问题：① 原始多源数据的不确定性与时空稀疏分布特性;② 数据集的融合方式受具体问题的制约; ③ 问题的时间复杂度。为了解决第1个问题,作者提出了一种多源数据集的话题挖掘模型MSLT,采用时空张量分解的方法,解决了数据的时空稀疏性与不确定性;为了解决第2个问题,作者基于时空张量分解的结果,沿着时间轴针对每一层的空间数据进行主题建模;最后,采用ST_LRT模型进行高效的学习,从而完成了整个MSLT模型的建模。作者采用纽约市POI、路网、311论坛数据、FCD、公共自行车数据进行实验设计,以较小的KL-Divergence值评判MLST模型的效果。为了验证ST_LRT模型对于实时异常状况的检测效果,选取nycinsiderguide.com网站的2014年11月的20起事故报道作为验证数据集,同考虑距离与单数据集条件下的异常检测效果进行对比,证明MLST模型的事故检测正确率更高。该研究为轨迹分析中的异常判定提供了一种新的思路,值得思考的是多源数据的引入扩大了原始异常事件的检测范围,可能存在异常误报、多报的风险,模型的实际效果仍需要进一步测试。
墨尔本大学的Kushani Perera以“Trajectory Inference for Mobile Devices Using Connected Cell Towers”为题,讲述了如何基于手机信令数据恢复原始行为轨迹[13]。首先,为了解决轨迹重建,对一个信号塔内的信息进行重新提取和计算,包括塔内平均信号、塔内平均人数等一系列特征,从而计算出手机用户在各基站之间切换的局部概率。其次,针对原始信号塔的分布,对全体的信号塔进行Voronoi图划分,计算手机轨迹在各个塔之间切换的次数与切换距离,得出基站序列切换的全局概率。最后,融合手机用户在各基站之间切换的局部概率与基站序列切换的全局概率,完成所有信号塔的概率图建模,并根据路径概率最大化的原则,找出最可能的手机路线,从而实现对手机信号数据的匹配和手机轨迹的恢复。其针对7种不同的交通模式进行了测试,研究发现在市内基站数目较多的条件下,仅采用手机基站数据即可达到20~40 m的匹配精度,对于郊区、大学等基站较少区域,大约能达到120 m的匹配精度。
武汉大学的洪亮针对城市中在某些时空范围内存在人流量“只进不出”（如演唱会开始阶段）或者“只出不进”（如演唱会的结束阶段）的行为模式,基于轨迹分析进行了研究,题目为“Detecting Urban Black Holes Based on Human Mobility Data”[14]。报告重点解决的问题是如何对上述城市中群体行为异常模式进行识别,从而对群体进行有效地控制和疏散,以免再次发生类似于上海外滩踩踏事件（http://www.xinhuanet.com/politics/szjcxzt/shwtctsg/index.htm）的惨剧,做到提前预警。报告提出一种基于时空图的新型数据结构（Spatial-Temporal Graph）,即将原始的路网按照图进行重构,将交通流量作为图模型中边的属性。利用浮动车数据和公共自行车数据对城市中“火山”或者“黑洞”现象进行识别,其研究成果可直接应用于城市异常事件检测和人类行为模式挖掘。
纽约州立大学石溪分校的Jiaxin Ding作了题为“Understanding and Modelling Information Dissemination Patterns in Vehicle-to-Vehicle Networks”的报告[15],报告主要对北京、深圳、旧金山的浮动车轨迹数据进行复杂网络分析,验证了车联网信息存在小世界网络（Small World Network）（https://en.wikipedia.org/wiki/Small-world_network）现象,并且信息的扩散服从幂率分布。微软研究院的John Krumm在题为“Eyewitness: Identifying Local Events via Space-Time Signals in Twitter Feeds”的报告中介绍了Bing Map系统中采用个人上传数据进行轨迹挖掘的工作[16]。作者认为个人上传数据具有更高的可信度和现实性,为了充分挖掘个人上传轨迹数据的价值,作者对个人上传轨迹数据进行了个人驾驶偏好建模,并将建模结果融合到Bing Map在线路径推荐。通过Bing Map实际用户反馈信息,Bing Map路径推荐的精度提高了7.5%,体现了轨迹分析在实际工业级应用中的重要作用。

3.3 语义分析方兴未艾

随着计算机技术的飞速发展,人们获取数据的能力不断增强,挖掘隐含在数据背后的语义知识,一直是各个领域共同关注的问题。在GIS领域,地理信息包含着丰富的语义信息,使得语义分析在GIS中的作用日渐重要。本届大会有多个报告涉及到语义分析,如语义信息挖掘、语义信息融合、语义建模等,体现了语义分析在GIS与计算机科学领域内的重要程度。
埃及亚历山大大学的Heba Aly作了题为“semMatch: Road Semantics-based Accurate Map Matching for Challenging Positioning Data”的报告[17]。此项研究目的在于解决手机GPS轨迹的地图匹配问题,主要采用3种数据源：① 来源于浮动车数据,通过2台车载智能手机获取;② 来源于城市路网手机基站切换数据,同样通过车载智能手机获取;③ 来源于城市路网中的WiFi信号数据。为了完成手机轨迹的地图匹配,作者引入了隐马尔科夫模型（Hidden Markov Model, HMM）,并将城市路网的语义信息（如道路限速信息,道路隧道信息、道路转向限制信息等）融入到HMM中。实验证明,加入道路附加语义信息之后的HMM模型对于手机轨迹信号地图匹配精度有很大提升,证明了道路附加语义信息在地图匹配研究中的重要价值。
爱尔兰都柏林大学的Padraig Corcoran研究如何从城市路网的几何形状提取路网语义类型信息,其报告题目为“Inferring Semantics from Geometry-the Case of Street Networks”[18]。作者采用机器学习的方法,首先从OpenStreetMap中获取城市路网数据,建立城市路网几何形状与城市道路语义类型之间的概率图模型。该模型不仅可以抓取单个街道的几何特征（如长度、宽度等）,而且可以获取到多个街道的语义共线特征。作者采用32 412个城市路网中的街道片段进行了测试,结果表明提出的概率图模型对于城市道路语义类型信息的判别能够达到68%的精度。
美国南加州大学的Yao-Yi Chiang在题为“Querying Historical Maps as a Unified, Structured, and Linked Spatiotemporal Source”的报告中指出,历史地图存在丰富的地理语义信息,这对于癌症分布、流行病控制、景观生态设计等研究均具有重要意 义[19]。作者针对地图蕴涵地理语义信息难以被计算机识别的问题,提出了历史地图的处理、建模、链接、发布的整体框架,使得用户不但可以查询历史地图数据,而且可以获取统一结构化的专题地理信息时空数据源。在该框架中,从地图中提取的专题地理信息可以通过语义和其它数据资源进行链接（如DBpedia）,使地理现象之间的关系更加明确。Yao-Yi Chiang指出,实现这一框架面临着以下3个挑战：① 历史地图的高效查询;② 地图信息的自动化识别;③ 地理语义信息与历史地图的整合。虽然这个报告提出的整体思路还只是一个初步的框架,但其研究前景仍然很值得期待。
埃及-日本科学技术大学的Moustafa Youssef教授作了题为“Towards Truly Ubiquitous Indoor Localization on a Worldwide Scale”的报告[20]。为了实现室内地图与POI库的自动构建,报告提出一种采用多传感器的智能手机进行室内环境语义的推断模型,实现了从低层语义（如房屋、走廊的面积）到高级语义（如房屋的所有人、房间的功能等）的推断功能。多源数据采集设备（如众包数据、超声波扫描仪、激光器等）的语义整合是解决此问题的关键。

4 ACM SIGSPATIAL 2015杂项

4.1 ACM SIGSPATIAL 2015特邀报告

ACM SIGSPATIAL 2015共邀请了2位专家作了特邀报告[21]。
第一场特邀报告的演讲者是谷歌地球的首席科学家Matt Hancher,他的报告题目是“Global-Scale Earth Science Data Analysis in the Cloud”,Matt Hancher领导的谷歌地球引擎团队（Google Earth）主要解决森林砍伐、食物安全、公共健康等具有全球挑战性的数据中心计算问题。他着重讲述了谷歌地球的云计算平台在过去六年的发展历程,同时分享了基于谷歌地球处理全球问题的一些经验,他的报告引起了广泛的关注。
第二场特邀报告来自华盛顿大学的Jeffrey Heer,他是知名开源可视化工具包D3的作者。在题为“Visualization and Interactive Data Analysis”的报告中,Jeffrey主要论述了以下3个问题：① 如何使得用户在转换和清洗数据时不需要编程?② 如何提供更富表现力和高效的可视化工具?③ 如何使领域专家来操纵机器学习从而产生更高效的模型?通过对已有项目的展示,Jeffrey团队已经有效的解决了这些问题,并形成了一整套流程。

4.2 ACM SIGSPATIAL 2015专题研讨会

ACM SIGSPATIAL 2015设立了12个专题研讨会,涉及室内空间感知、基于位置的空间网络、地理空间大数据分析、基于空间数据的用户隐私等主题。ACM SIGSPATIAL 2015设立了2个新的专题研讨会：① 智能城市和城市分析（UrbanGIS 2015）,该研讨会主要是针对城市中资源和环境消耗、人口膨胀、可持续发展等问题,研究人类移动性建模和分析、大城市数据并行和分布式计算、大规模时空数据集的索引技术等问题;② 应急管理（EM-GIS 2015）,该研讨会强调灾害（自然灾害、人为灾害）的检测、响应、营救,为公众提供更好的公共决策支持,包括基于GIS的资源规划和调度、基于web的应急事件时空数据分析和处理、基于GIS的应急事件决策支持、应急事件的地理空间数据挖掘应用等多个研究内容。

4.3 ACM SIGSPATIAL CUP 2015

ACM SIGSPATIAL CUP 2015由ACM SIGSPATIAL和微软公司主办,本届竞赛的问题是多边形约束下的道路路网最短路径规划。通过给定一个道路网络和限制条件（转弯限制、速度限制、多边形障碍限制）,设计相应的算法,输出基于时间和距离的最短路径。最终,来自西波希米亚大学的František Kolovský团队[22]、德国慕尼黑大学的Martin Werner团队[23]、美国纽约伦斯勒理工学院的Salles Viana Gomes Magalhães团队[24]分别获得了前三名。František Kolovský团队主要考虑到限制区域的条件,分别扩展了Dijkstra算法、双向Dijkstra算法、A*算法和双向A*算法。通过实验比较发现,双向A*算法的性能最好,Dijkstra算法性能最差,该团队开发的双向A*算法成为本届ACM SIGSPATIAL CUP 2015的最佳解决方案。

4.4 ACM SIGSPATIAL 2015最佳论文

自本届会议开始,ACM SIGSPATIAL会议的最佳论文将在下一年的年会上宣布,这一方面增加了参会者的粘度,另一方面也使得论文成果能够经受住时间的考验。本文统计了ACM SIGSPATIAL2015主会的38篇论文在2015年11月至2016年8月的Google Scholar索引量,索引次数不小于3的论文,第一作者包括香港科技大学的Yexin Li[4]、微软亚洲研究院的郑宇[12]、微软研究院的John Krumm[16]、比萨大学的Riccardo Guidotti[25]、南加州大学的Dingxiong Deng[26],以及南加州大学的Ying Lu[27],如图5所示。
Fig. 5 Google scholar citation comparison

图5 谷歌学术引用对比图

5 结论与展望

作为GIS与计算机科学交叉领域的顶级国际会议,ACM SIGSPATIAL 2015涵盖了当前领域内的最新研究进展,体现在多源数据融合、轨迹分析以及语义分析3大研究热点。受篇幅影响,本文并没有对一些主会论文数目较少的研究主题（如城市规划[28]、遥感图像处理[29]等）进行综述。整体来看,GIS科学与计算机科学的深入融合将是未来的发展趋势,如何从计算机科学的角度解决GIS领域内的问题,或者是如何从GIS科学的视角分析计算机科学问题,将是未来交叉研究的2个热门方向。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zheng Y, Liu F R, Hsieh H P.U-Air: When Urban Air Quality Inference Meets Big Data[C]//Proceedings of the 19th SIGKDD conference on Knowledge Discovery and Data Mining, 2013.

[2]
Zhu Z, Yang J, Zhong C, et al. Learning functional compositions of urban spaces with crowd-augmented travel survey data[C] //Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[3]
Bast H, Storandt S, Weidner S.Fine-Grained Population Estimation[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[4]
Li Y X, Zheng Y, Zhang H C, et al. Traffic Prediction in a Bike Sharing System[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[5]
Zhang D S, Zhao J J, Zhang F, et al. coMobile: Real-time Human Mobility Modeling at Urban Scale by Multi-View Learning[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[6]

[7]
Yuan J, Zheng Y, Zhang C Y, et al. T-Drive: Driving Directions Based on Taxi Trajectories[C]//Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2010.

[8]

[9]

[10]
Krogh B, Andersen O, Lewis-Kelham E, et al. Trajectory based traffic analysis[C]//Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2013.

[11]
Li H F, Kulik L, Ramamohanarao K.Spatio-temporal trajectory simplification for inferring travel paths[C]//Proceedings of the 22nd ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2014.

[12]
Zheng Y, Zhang H C, Yu Y.Detecting Collective Anomalies from Multiple Spatio-Temporal Datasets across Different Domains[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[13]
Perera K, Bhattacharya T, Kulik L, et al. Trajectory Inference for Mobile Devices Using Connected Cell Towers[C]///Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[14]
Hong L, Zheng Y, Yung D, et al. Detecting Urban Black Holes Based on Human Mobility Data[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[15]
Ding J X, Gao J, Xiong H.Understanding and Modelling Information Dissemination Patterns in Vehicle-to-Vehicle Networks[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[16]
Krumm J, Horvitz E.Eyewitness: Identifying Local Events via Space-Time Signals in Twitter Feeds[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[17]
Aly H, Youssef M. semMatch: Road Semantics-based Accurate Map Matching for Challenging Positioning Datas[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[18]
Corcoran P, Jilani M, Bertolotto M, et al. Inferring Semantics from Geometry - the Case of Street Networks[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[19]
Chiang Y Y.Querying Historical Maps as a Unified, Structured, and Linked Spatiotemporal Source[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[20]
Youssef M.Towards Truly Ubiquitous Indoor Localization on a Worldwide Scale[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[21]

[22]
Kolovský F, Ježek J. Restricted areas obeying path search algorithm without preprocessing[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[23]
Werner M.Notes on Routing with Polygonal Constraints[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[24]
Magalhães S V G, Andrade M V A, Franklin W. R, et al. Fast path planning under polygonal obstacle constraints[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[25]
Guidotti R, Trasarti R, Nanni M.TOSCA: TwO Steps Clustering Algorithm for Personal Locations Detection[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[26]
Deng D X, Shahabi C, Zhu L.Task Matching and Scheduling for Multiple Workers in Spatial Crowdsourcing[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[27]
Lu Y, Shahabi C.An arc orienteering algorithm to find the most scenic path on a large-scale road network[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[28]
Ahuja N, Bender M, Sanders Pe, et al. Incorporating Road Networks into Territory Design[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

[29]
De Berg M, Tsirogiannis C, Wilkinson B T.Fast Computation of Categorical Richness on Raster Datasets and Related Problems[C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2015.

Options
文章导航

/

〈 〉