EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 7: 1254 - 1263

DOI: https://doi.org/10.12082/dqxxkx.2022.210697

地球信息科学理论与方法

顾及空间及语义相关性的POI位置标注优化方法

  • 李琦 ,
  • 林志勇 , *
展开
  • 武汉大学遥感信息工程学院,武汉 430079
* 林志勇（1978— ）,男,湖北武汉人,副教授,主要从事空间信息的处理与应用研究。E-mail:

李 琦（1996— ）,男,湖北武汉人,硕士生,主要从事兴趣点质量优化研究。E-mail:

收稿日期: 2021-11-02

  修回日期: 2022-02-21

  网络出版日期: 2022-09-25

基金资助

国家自然科学基金项目(42071432)

收起

POI Location Optimization Method Considering Spatial and Semantic Relevance

  • LI Qi ,
  • LIN Zhiyong , *
Expand
  • School of Remote Sensing and information Engineering, Wuhan University, Wuhan 430079, China
* LIN Zhinyong, E-mail:

Received date: 2021-11-02

  Revised date: 2022-02-21

  Online published: 2022-09-25

Supported by

National Natural Science Foundation of China(42071432)

Fold

摘要

POI的质量是确保寻路、路径规划、导航等高质量地图服务的基础,是影响POI数据的位置准确性、逻辑一致性和语义差异性问题等数据质量问题的关键因素。本文从影响POI位置空间、关系和语义因素3个角度出发,针对POI位置错标、不同语义POI无法区分及POI分布与现实世界不一致的情况,结合建筑数据和道路数据,进行POI多阶段位置优化研究,包括位置约束计算阶段、位置选择阶段、位置优化阶段。以某街道区域为分析区域开展POI位置优化实验,结果表明本文提出的位置优化方法能有效降低错标率（19.3%）、提高可辨识度（6.7%）,并有效提高子区域POI分布与道路分布的一致性,有效提高不同语义POI的识别速度。

关键词： 兴趣点; 兴趣点位置; 位置准确性; 逻辑一致性; 位置优化; 离散Frechet距离; 语义差异性; 位置影响因素

本文引用格式

李琦 , 林志勇 . 顾及空间及语义相关性的POI位置标注优化方法[J]. 地球信息科学学报, 2022 , 24(7) : 1254 -1263 . DOI: 10.12082/dqxxkx.2022.210697

Abstract

POI (Point of Interest) identifies geographic objects by location and name. Its quality is the basis for ensuring the accuracy of map services such as path planning and navigation, including location accuracy, semantic integrity, logical consistency, etc. Normally, the spatial positional accuracy of point elements obtained by traditional surveying and mapping methods is high and the attributes are complete, but the update cost is high, and the cycle is long, which makes it difficult to meet the requirements of current data. The POI data obtained by the crowdsource method has a strong current situation. However, it has the characteristics of disorder and lack of standard, which can lead to inaccurate spatial position, lack of semantic attributes, inconsistent spatial relationships, and so on. There is an urgent need for effective optimization methods to solve the quality problems of POI data e. This paper analyzes the influencing factors of POI location labeling from the perspectives of space, topology, and semantics, puts forward the POI location labeling principle considering the spatial and semantic correlation, designs a location optimization method with multi-stage constraints, and conducts a verification analysis. Compared with the manual correction method, the optimization method based on the location labeling principle proposed in this paper reduces the influence of manual experience differences on the optimization results and ensures the consistency of the optimization standards. The POI location optimization experiment is carried out using a street area as the analysis area. The results show that the location optimization method proposed in this paper can effectively reduce the mislabeling rate (19.3%), improve the identifiability (6.7%), and effectively improve the sub-region POI distribution and roads. The consistency of distribution can effectively improve the recognition speed of different semantic POIs. However, there are still many processes that need to be carried out manually, such as the completion of POI classification features, road and building data cleaning, etc., making the method in this paper difficult to be applied on a large scale, which would be an research issue for follow-up researches.

Key words： Points of Interest; POI location; location accuracy; location optimization; logical consistency; location optimization; discrete Frechet distance; semantic difference; location influencing factors

1 引言

POI（Point of Interest,POI）通过位置和名称标识地理对象;其质量是确保路径规划、导航等地图服务准确性的基础[1],内容包括位置准确性、语义完整性、逻辑一致性等[2]。传统测绘手段获取的点要素空间位置精度高、属性完整,但更新成本高、周期长,难以满足数据现势性要求。众源方式获取的POI数据,具有较强的现势性;但存在无序、非规范等特点,易导致空间位置不准确[3-4]、语义属性缺失[5-6]、空间关系不一致[7⇓-9]等问题。迫切需要有效的优化方法解决POI数据存在的质量问题。
目前POI的数据质量问题主要表现在：① 标记位置错误造成了逻辑不一致[10],比如建筑内内POI标注在建筑范围外;② 语义差异性考虑不足,不同语义的POI采用同类标记方式,导致快速区分困难;③ 分布特征不符合空间认知规律[11],忽视标注对象与相邻道路等要素之间的空间关系,导致空间关系混乱。
已有相关学者对该问题展开了研究,主要集中在数据质量评价和位置优化2个方面。数据质量评价方法主要有数据集对比法[8,12,13]、空间关系评估 法[9]、共现模式识别法[7]。数据集对比法需要外部数据集作为支撑,由于外部数据集很难保证其数据完整性和位置精确性,多适用于某一专业领域POI数据质量评估;后2种方法利用要素之间的相互关系来评估,适用于大部分领域POI数据。
位置优化方法主要有经验优化法、数据集优化法和道路约束优化法。经验优化法,在修正位置时考虑的因素众多,且因素权重设置也不尽相同[14],未形成一个统一的优化标准。数据集优化法[15],需利用辅助兴趣点数据集作为支撑,进行点群位置纠正,但数据集本身的位置精确性难以保证,其纠正结果准确性也难以评估。道路约束优化方法[16],利用POI与道路之间几何模式的关联性,实现基于道路分布的POI位置纠正,但没有考虑POI受到建筑要素约束和存在语义差异。上述研究多从单一角度解决POI位置准确性问题,没有考虑位置、拓扑和语义3方面特征的综合影响。
本文从空间、拓扑和语义3个角度出发,研究POI位置标注原则,结合建筑和道路数据,构建位置优化策略开展相关研究工作。并以某典型区域的POI数据为例,进行了位置优化实验,纠正了原数据中存在的逻辑一致性错误,提升了位置准确性和语义区分度,有效提高了数据质量。

2 POI位置的影响因素和标注原则

2.1 影响POI位置的因素

2.1.1 空间因素

POI所表示的地理对象类型影响标记位置的选择,根据其所标记的地理对象的范围特征可划分为夸大要素和概括要素。标记点范围大于地理对象在图上的实际大小,则记为夸大要素,其位置可标记在约束区域内的任意位置（图1（a））;标记点范围小于地理对象在图上的实际大小,则记为概括要素,其位置一般标记在约束区域内的中心 （图1（b））。
图1 地理对象类型影响标记位置的选择

Fig. 1 Geographic object type affects choice of marker location

2.1.2 拓扑关系因素

POI与地图要素之间的拓扑关系应与现实世界保持一致[17]。POI的拓扑关系主要表现在以下 3个方面：
（1）相等关系。POI代表地理对象A与地图要素B代表同一地理对象,图2中POI“酒店A”和建筑要素“酒店A”是相等关系,应标记在建筑要素“酒店A”轮廓内。
图2 影响兴趣点位置的拓扑关系因素

Fig. 2 Topological relationship factors that affect the location of points of interest

（2）包含关系。地理对象A包含地理对象B时,地理对象B的标记位置应选择在地理对象A的轮廓内,或尽量靠近地理对象A,以保持拓扑一致性。图2中“文印室”地址在大厦B内,图上其位置也应标记在大厦B的范围内。
（3）相邻关系。图2道路C两侧分布着POI点群,其所表示的地理对象沿着道路两侧近似平行分布,其空间延展方向（如图中虚线所示）应该与道路的方向基本一致。

2.1.3 语义因素

合理的标记不仅有助于理解地理对象的空间位置,还可以表达出丰富的语义信息。比如表示门口、出入口等具有连通功能的地理对象时,需要考虑其连通空间的特征。如图3所示,“逸夫楼南门”表示“逸夫楼”的出入口,其最佳标记位置应尽可能靠近“逸夫楼”南侧边缘来表达“逸夫楼南门”是室内连通室外的地理对象。
图3 出入口兴趣点最佳标记在建筑物边缘

Fig. 3 Entrance and exit points of interest are best marked on the edge of the building

2.2 顾及空间及语义相关性的POI位置标注原则

2.2.1 顾及拓扑关系因素的位置约束原则

本文总结3种POI标记位置的约束原则：
（1）同轮廓性原则：地理对象有轮廓范围时,其标记位置受到轮廓范围约束。
（2）依附性原则：地理对象包含于另一个要素（POI或地图要素）时,其标记受到该要素位置或空间范围约束。
（3）自身性原则：地理对象没有外加约束时,其位置取信于原标记位置。

2.2.2 顾及空间及语义因素的位置选择原则

借鉴设施空间优化研究[18⇓-20]提出来的目标和原则（如快速响应、最大覆盖、最小代价以及公平分配等）,本文提出3种位置选择原则：
（1）最小距离原则：优化后的新位置与原位置应尽可能近。
（2）可辨识性原则：标记位置应与其他点保持可辨识距离。
（3）类型原则：标记位置应采用符合同类对象语义信息的标记方式。
标记方式分为以下4种方式：
方式1：标记在视觉中心（center）。文献[21]定义的邻近中心点考虑了中心点到各个视觉特征点邻近性感受的均衡性,本文将邻近中心点作为视觉中心。如图4（a）所示,最佳标记位置是视觉中心点。
图4 不同POI标记方式示意（最佳标记线、容差范围）

Fig. 4 Schematic diagram of different POI marking methods

方式2：标记在多边形的边上（edge）。如图4（b）所示,最佳标记位置是多边形的边缘。
方式3：标记在多边形边缘内侧（ i n n e r e d g e）。如图4（c）所示,最佳标记位置是靠近多边形边缘一侧的条形区域的中心线。
方式4：标记在多边形中心内侧（ m e d i a l c e n t e r）。
如图4（d）所示,最佳标记位置是多边形中心向外扩展的多边形区域的中心线。
无位置约束时应优先选择自身作为标记位置,有位置约束条件时应考虑语义和拓扑因素加以区分。有位置约束的夸大要素标记位置的选择分为以下2种情况：
（1）出入口：POI作为出入口时,应标记在多边形的边上。图5中“出入口”应选择距离道路最近的边进行标注。
图5 夸大要素标记形式

Fig. 5 Exaggerated point feature marker form

（2）临街：表示临街对象时,应标记在多边形区域边缘内侧位置;表示非临街对象时,应标记在中心点内侧范围内。图5中“临街对象”应在选择在灰色虚线上选择最佳标记位置;“非临街对象”同理选择距离最近的新标记位置作为标记位置。
对于概括要素POI,无轮廓形状的概括要素POI应采取夸大要素POI的标记位置选择原则。有轮廓形状的概括要素POI标记分为以下情况讨论：
（1）出入口情况：如果面要素POI表示的是出入口对象时,应将POI标记在具有通行性的边上。
（2）一般情况：一般情况时应标记在轮廓的中心点位置。

2.2.3 顾及道路及建筑形状的位置优化原则

临街POI空间分布特征受到其相邻道路走向的影响,需利用道路数据作为辅助来修正POI位置。对于室外临街POI,以最相邻道路的中心线作为参照线来优化POI位置。对于室内临街POI,不仅需要考虑道路中心线参考,还需引入建筑形状特征影响（图6）。图6（a）所示,以道路中心线作为参照来优化室内临街POI位置,丢失了POI分布在不同建筑中形成的自然分布规律。图6（b）所示,以邻近道路中心线作为室外临街POI位置优化的参考线,以邻近道路的建筑轮廓作为室内临街POI位置优化的参考线,优化后的兴趣点分布更为合理。
图6 道路与POI分布一致性

Fig. 6 Distribution consistency between roads and points of interest

3 顾及空间及语义相关性的位置优化 方法

顾及空间及语义相关性的位置优化流程见 图7。①进行特征分类;②计算空间轮廓约束,确定最小可选标注范围;③在最小可选标注范围内择优确定标注位置;④根据道路特征及建筑形状优化标记位置。
图7 POI位置优化流程

Fig. 7 POI location optimization process

3.1 特征分类

依据地理对象范围、临街、出入口3个特征进行分类,如表1所示。
表1 POI特征分类

Tab. 1 Feature classification of POI

特征维度 分类 说明
地理对象
范围		 夸大要素 标记点范围大于地理对象在图上的实际大小
概括要素 标记点范围小于地理对象在图上的实际大小
临街 临街 与道路具有直接连通关系
非临街 与道路无直接连通关系
出入口 出入口 进入建筑物或特定的场地所经过的门或关卡
非出入口 不承担出入口功能

3.2 空间约束计算

利用、地址、名称等信息,采用位置匹配、语义相似度计算等方法,构建POI-建筑关系网。以POI-建筑关系网为基础,采用最小可选范围模型进行POI标记位置约束计算。最小可选范围模型是从初始的标记范围中识别出符合空间约束关系的范围,排除不符合逻辑一致性的标记范围。模型数学描述如下：
M i n ∑ i ∈ I O P S i
O P S i = ∩ j ∈ J A r e a i j ( r e l a t i o n s h i p i j ) , 有 关 系 约 束 时 c i r c l e ( d m i n ) , 没 有 关 系 约 束 时 ,
s . t . ∀ i ∈ I , ∀ j ∈ J , i ≠ j
d m i n = M × 1 H
A r e a i j r e l a t i o n s h i p i j = O P S j , r e l a t i o n s h i p i j = C o n t a i n , i 与 j 具 有 包 含 关 系 B o u n d a r y j , r e l a t i o n s h i p i j = E q u a l , i 与 j 具 有 相 等 关 系
式中：OPS表示标记位置的可选范围; A r e a表示由拓扑关系计算出的约束范围;Boundary表示地图要素的空间轮廓; relationship表示要素之间的拓扑关系;I表示POI集合;J表示地图要素集合(包含图上的POI、道路、建筑等所有要素);式（1）为以可选范围和最小为目标的目标函数;式（2）表示对于任意一个兴趣点i的可选范围 O P S i都由关系判断产生,有拓扑关系约束时取所有约束区域的并集作为 O P S i,无拓扑关系约束时则采用自身性原则,以自身为圆心, d m i n为半径的圆 c i r c l e ( d m i n )作为 O P S i;式（3）保证POI不与自身作关系判断;式（4）计算自身性原则的最小半径范围,以像素点宽度M和比例尺H作为参数;式（5）表示兴趣点i与地图要素j在关系 r e l a t i o n s h i p i j下产生的约束区域, r e l a t i o n s h i p i j为包含关系时采用依附性原则, r e l a t i o n s h i p i j为相等关系时采用同轮廓原则。
如图8所示,兴趣点A“中科服务大楼”与图中的房屋建筑要素名称一致,为相等关系遵循同轮廓性原则,可选范围为房屋建筑要素轮廓。兴趣点B“徽杭谷稻”地址信息包含房屋建筑要素名称,因此它们遵循依附性原则,可选范围为房屋建筑要素轮廓。“停车场”地址属性与建筑要素名称不一致,且与其他POI也不存在任何拓扑关系,遵循自身性原则,可选范围为周围的圆形区域。
图8 空间约束计算示意

Fig. 8 Schematic diagram of space constraint calculation

3.3 标记位置选择

通过判断POI位置其承载的空间和语义特征,以可选范围为基础,择优确定标记的最佳位置。其数学模型描述如下：
p o s i t i o n i = p o s i t i o n o r i p o s i t i o n o r i ∈ O P S i p o s i t i o n n e w p o s i t i o n o r i ∉ O P S i
M i n D i ( p o s i t i o n o r i , p o s i t i o n n e w )
p o s i t i o n n e w = e d g e , a t t r i b u t e g a t e = t u r e c e n t e r , a t t r i b u t e g a t e = f a l s e a n d i ∈ I g e n e r a l i z e i n n e r e d g e , a t t r i b u t e f a c i n g = t u r e a n d i ∈ I e x a g g e r a t e m e d i a l c e n t e r , a t t r i b u t e f a c i n g = f a l s e a n d i ∈ I e x a g g e r a t e
s . t . ∀ i ∈ I , ∏ Z i k ≥ 0 , ∀ p o s i t i o n n e w ∈ O P S i 且 ∀ p o s i t i o n n e w ∈ O P S i
Z i k = 0 d i k < d m i n 1 d i k ≥ d m i n , d m i n = 3 m
式中：i表示待位置选择POI;k表示邻近兴趣点POI; p o s i t i o n o r i , p o s i t i o n n e w分别为兴趣点i的原位置和新位置; D i ( p o s i t i o n o r i , p o s i t i o n n e w )表示原位置与新位置之间的距离; a t t r i b u t e g a t e表示兴趣点i的出入口语义; a t t r i b u t e f a c i n g表示兴趣点i的临街语义;式（6）用来判断POI是否需要修正位置;式（7）表示以最小距离原则为目标的条件函数;式（8）以类型原则为目标的条件函数,用来判断标记方式;式（9）以可辨识性原则为目标的条件函数,用来约束与其他POI之间的距离;式（10）为兴趣点i与k之间是否可辨识的函数,当二者之间的距离 d i k超过距离阈值 d m i n时, Z i k = 1。

3.4 标记位置优化

对于室内POI,将在建筑范围内的具有临街属性的POI连接形成空间分布线,以邻近道路的建筑轮廓线作为参照趋势线。对于室外POI,将同一街道的室外临街POI连接形成空间分布线,将邻近道路中心线作为参照趋势线。
通过空间分布线 l 1（ a 1 , a 2 , … , a n）和参照趋势线 l 2（ b 1 , b 2 , … , b m）,计算得到位置异常分布标注点。计算公式如下：
T i = 1 , ( d i - d m e a n ) > δ 0 , ( d i - d m e a n ) ≤ δ
d m e a n = ∑ i ∈ I d i N , δ = ∑ i ∈ I ( d i - d m e a n ) 2 N - 1
式中： I表示POI集合; d i表示兴趣点i到 l 2的最小距离; d m e a n表示 d i的平均值, δ表示 d i的样本标准差; T i表示异常分布变量。
优化异常分布标记位置,使空间分布线 l 1（ a 1 , a 2 , … , a n）和参照趋势线 l 2（ b 1 , b 2 , … , b m）之间相似度最大。采用离散 F r e c h e t距离[22-23]作为有序坐标序列空间相似度判断指标：
M i n ∑ S p o i j , l i n e j
S p o i j , l i n e j = d F r e c h e t ( p o i j ' , l i n e j ' )
式中：J表示待优化区域集合; p o i j , l i n e j表示POI坐标序列和参照趋势线序列; d F r e c h e t ( p o i j ' , l i n e j ' )表示POI坐标序列和参照趋势线坐标序列之间的离散 F r e c h e t距离。 S p o i j , l i n e j表示 p o i j , l i n e j坐标序列之间空间相似度。

3.5 优化结果评价指标

采用错标率、可辨识度、空间相似度指标评价位置优化效果。
（1）错标率（ M i s l a b e l R a t e）衡量优化前后逻辑一致性。定义如下：
M i s l a b e l R a t e = N m i s l a b e l e d N t o t a l × 100 %
利用式（16）判断每个点是否为错标点。
m i s l a b l e i = 0 , p o s i t i o n i ∈ O P S i 1 , p o s i t i o n i ∉ O P S i
式中： N m i s l a b e l e d为错标点数量; N t o t a l为实验POI总数。
（2）可辨识度（Recognizability）衡量优化前后可辨识程度。定义如下：
R e c o g n i z a b i l i t y = N t o t a l - N u n r e c o g n i z a b l e N t o t a l × 100 %
需要复用式（10）判断每个点是否能辨识, N u n r e c o g n i z a b l e为不能辨识点数量。
（3）空间相似度（ ∑ d F r e c h e t i）是衡量优化前后子区域的POI与建筑边缘之间的空间分布一致程度,综合来表示位置优化阶段的效果。

4 POI位置优化实验及结果分析

4.1 实验区概况

选取北京市中关村区域进行实验。实验数据包括：POI、道路和建筑。POI数据从高德地图爬取,筛选出属性信息完整的424条有效数据。道路和建筑数据从OpenStreetMap (https://www.open-streetmap.org/)获取。如图9所示,424个POI中包含室内POI数量299个,室外POI数量为125个。其中室内错标数量为78个,室外错标数量为4个,占总数的19.3%。
图9 实验区域POI分布情况

Fig. 9 Distribution of interest points in the experimental area

4.2 实验及结果分析

（1）实验区域存在较多错标及相互重叠不可辨别的情况。如图10所示,位置选择阶段以最优标记位置为目标,对不符合位置选择原则的POI位置进行修正,修正POI数量为82个,错标率从19.3%下降到0%,可辨识度从92.1%提高到97.5%。如图11所示,POI“好这口重庆小面”和“头壹号大油条(知春路店)”根据标准地址信息计算得到的约束空间范围为东华合创大厦,并成功根据临街语义信息将位置修正到边缘内侧。POI“正宗羊肉汤优质烩面”同样正确的匹配到空间约束范围内,并标记在合理位置上。
图10 位置选择阶段实验结果

Fig. 10 Experimental results of the location selection stage

图11 修正错标POI位置

Fig. 11 Fixed incorrectly marked POI location

（2）位置优化阶段修正POI数量为46个,错标率保持0%不变,可辨识度从97.5%提高到98.8%,在保证逻辑一致性的情况下,提高了图面的可辨识度（图12）。如表2所示,位置选择阶段,子区域的离散Frechet 距离和从725.78下降到660.52。位置优化阶段,子区域的离散Frechet 距离和从660.52下降到642.75。相比于优化之前,每个子区域的离散Frechet距离和大幅下降,说明子区域内的POI分布特征更加符合道路特征和建筑特征。如图13所示,“紫金数码”大厦内临街POI优化后的分布特征,相较于优化前更符合“紫金数码”建筑边缘分布特征。
图12 位置优化阶段实验结果

Fig. 12 The experimental results of the location optimization stage

表2 POI优化前后各项指标对比

Tab. 2 Comparison of various indicators before and after POI optimization

优化
次数		 修改位置
点数量		 错标率/% 可辨
识度/%		 ∑ d F r e c h e t i
优化前 0 0 19.3 92.1 725.78
位置选择阶段 1 82 0.0 97.5 660.52
位置优化阶段 2 46 0.0 98.8 642.75
图13 优化前后结果对比阶段

Fig. 13 Comparison of results before and after optimization

5 结论和讨论

5.1 结论

本文从空间、拓扑和语义角度分析兴趣点位置标注影响因素,提出了顾及空间及语义相关性的POI位置标注原则,设计了多阶段约束条件的位置优化方法,并进行了验证分析。与人工经验修正方法相比,本文提出的基于位置标注原则的优化方法,减少了人工经验差异对优化结果的影响,保证了优化标准的一致性。实验结果表明本文提出的位置优化方法能有效降低错标率、提高可辨识度。

5.2 展望

（1）整个流程中有多个环节还需要利用人工的方式进行,比如POI分类特征的补全、道路及建筑数据清理等,使得本文方法很难大范围自动化地优化POI位置,这是后续研究亟待解决的问题。
（2）兴趣点具有丰富的语义特征,从不同应用需求出发可以分解出不同的语义分类维度,其标记方式也可能随之变化。本文研究仅考虑了兴趣点的部分语义维度,后续可从用户应用需求出发,扩展研究针对多需求的动态兴趣点标记方法。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
邵蕾. 网络POI数据增量更新技术研究[D]. 兰州: 兰州交通大学, 2016.

[ Shao L. Research on incremental updating technology of network POI data[D]. Lanzhou: Lanzhou Jiatong University, 2016. ]

[2]
Yeow L W, Low R, Tan Y X, et al. Point-of-interest (POI) data validation methods: An urban case study[J]. ISPRS International Journal of Geo-Information, 2021, 10(11):735. DOI: 10.3390/ijgi10110735

DOI

[3]
Mashhadi A, Quattrone G, Capra L. The impact of society on volunteered geographic information: The case of OpenStreetMap[M]// Lecture Notes in Geoinformation and Cartography. Cham: Springer International Publishing, 2015:125-141. DOI: 10.1007/978-3-319-14280-7_7

DOI

[4]
Shan B Y, Wang J N, Liu Y Y, et al. Spatial correlation analysis of residential area and service industry distribution based on POI big data[C]// 2020 IEEE 5th International Conference on Cloud Computing and Big Data Analytics. IEEE, 2020:453-458. DOI: 10.1109/ICCCBDA49378.2020.9095705

DOI

[5]
王勇, 罗安, 曹元晖, 等. 语义因子支持的多源POI分类信息一致化处理[J]. 测绘科学, 2019, 44(6):285-290.

[ Wang Y, Luo A, Cao Y H, et al. Consistency processing of POI classification information based on semantic elements[J]. Science of Surveying and Mapping, 2019, 44(6):285-290. ]DOI: 10.16251/j.cnki.1009-2307.2019.06.042

DOI

[6]
王勇, 刘纪平, 郭庆胜, 等. 顾及位置关系的网络POI地址信息标准化处理方法[J]. 测绘学报, 2016, 45(5):623-630.

[ Wang Y, Liu J P, Guo Q S, et al. The standardization method of address information for POIs from Internet based on positional relation[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(5):623-630. ]

[7]
Kashian A, Rajabifard A, Richter K F, et al. Automatic analysis of positional plausibility for points of interest in OpenStreetMap using coexistence patterns[J]. International Journal of Geographical Information Science, 2019, 33(7):1420-1443. DOI: 10.1080/13658816.2019.1584803

DOI

[8]
Touya G, Antoniou V, Olteanu-Raimond A M, et al. Assessing crowdsourced POI quality: Combining methods based on reference data, history, and spatial relations[J]. ISPRS International Journal of Geo-Information, 2017, 6(3):80. DOI: 10.3390/ijgi6030080

DOI

[9]
Zacharopoulou D, Skopeliti A, Nakos B. Assessment and visualization of OSM consistency for European Cities[J]. ISPRS International Journal of Geo-Information, 2021, 10(6):361. DOI: 10.3390/ijgi10060361

DOI

[10]
徐智邦, 王中辉, 闫浩文, 等. 结合POI数据的道路自动选取方法[J]. 地球信息科学学报, 2018, 20(2):159-166.

DOI

[ Xu Z B, Wang Z H, Yan H W, et al. A method for automatic road selection combined with POI data[J]. Journal of Geo-Information Science, 2018, 20(2):159-166. ] DOI: 10.12082/dqxxkx.2018.170385

DOI

[11]
王闯, 李帅, 丁杨, 等. 基于POI的基础地理信息数据库点状要素更新方法研究[J]. 测绘与空间地理信息, 2020, 43(7):77-78,83,87.

[ Wang C, Li S, Ding Y, et al. Research on point feature updating method of basic geographic information database based on POI[J]. Geomatics & Spatial Information Technology, 2020, 43(7):77-78,83,87. ]

[12]
Ciepłuch B, Jacob R, Mooney P, et al. Comparison of the accuracy of OpenStreetMap for Ireland with Google Maps and Bing Maps[C]//Proceedings of the Ninth International Symposium on Spatial Accuracy Assessment in Natural Resuorces and Enviromental Sciences 20-23rd July 2010. University of Leicester, 2010:337.

[13]
Girres J F, Touya G. Quality assessment of the French OpenStreetMap dataset[J]. Transactions in GIS, 2010, 14(4):435-459. DOI: 10.1111/j.1467-9671.2010.01203.x

DOI

[14]
Hochmair H H, Juhász L, Cvetojevic S. Data quality of points of interest in selected mapping and social media platforms[M]// Lecture Notes in Geoinformation and Cartography. Cham: Springer International Publishing, 2017:293-313. DOI: 10.1007/978-3-319-71470-7_15

DOI

[15]
陈瑞, 刘纪平, 王勇, 等. 一种自动提取控制点的多源兴趣点位置纠正方法[J]. 测绘科学, 2014, 39(5):61-64.

[ Chen R, Liu J P, Wang Y, et al. Method of multi-source POI position correction by control points automatic-extraction[J]. Science of Surveying and Mapping, 2014, 39(5):61-64. ] DOI: 10.16251/j.cnki.1009-2307.2014.05.036

DOI

[16]
张云菲. 多源道路网与兴趣点的一致性整合方法[D]. 武汉: 武汉大学, 2015.

[ Zhang Yunfei. Consistent integration method of multi-source road network and points of interest[D]. Wuhan: Wuhan University, 2015. ]

[17]
曹亚妮, 吴芳华, 王丽君, 等. 基于元拓扑关系的线面空间关系集成表达模型[J]. 武汉大学学报·信息科学版, 2016, 41(1):123-130.

[ Cao Y N, Wu F H, Wang L J, et al. The integrated representation model of line-region spatial relations based on meta-relations[J]. Geomatics and Information Science of Wuhan University, 2016, 41(1):123-130.] DOI: 10.13203/j.whugis20130828

DOI

[18]
景海涛, 原世伟, 李伟. 警力快速响应及其空间布局优化[J]. 测绘工程, 2017, 26(1):42-46.

[ Jing H T, Yuan S W, Li W. Rapid response and spatial distribution optimization for the police[J]. Engineering of Surveying and Mapping, 2017, 26(1):42-46. ] DOI: 10.19349/j.cnki.issn1006-7949.2017.01.009

DOI

[19]
马明明, 龚建华, 李文航, 等. 基于虚拟眼动实验的指向型应急疏散标识布局优化方法[J]. 武汉大学学报·信息科学版, 2020, 45(9):1386-1394.

[ Ma M M, Gong J H, Li W H, et al. Layout optimization of the directional emergency evacuation signs based on virtual reality eye-tracking experiment[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1386-1394. ] DOI: 10.13 203/j.whugis20190409

DOI

[20]
孙立, 王中辉, 孙立坚, 等. 城市派出所空间位置优化及警力分配[J]. 地球信息科学学报, 2019, 21(3):346-358.

DOI

[ Sun L, Wang Z H, Sun L J, et al. Spatial location optimization of urban police stations and police allocation[J]. Journal of Geo-information Science, 2019, 21(3):346-358. ] DOI: 10.12082/dqxxkx.2019.180529

DOI

[21]
卢威, 艾廷华. 利用三角剖分骨架图提取简单多边形目标中心点[J]. 武汉大学学报·信息科学版, 2020, 45(3):337-343.

[ Lu W, Ai T H. Center point extraction of simple area object using triangulation skeleton graph[J]. Geomatics and Information Science of Wuhan University, 2020, 45(3):337-343. ] DOI: 10.13203/j.whugis20180236

DOI

[22]
朱洁, 黄樟灿, 彭晓琳. 基于离散Fréchet距离的判别曲线相似性的算法[J]. 武汉大学学报·理学版, 2009, 55(2):227-232.

[ Zhu J, Huang Z C, Peng X L. Curve similarity judgment based on the discrete Fréchet distance[J]. Journal of Wuhan University (Natural Science Edition), 2009, 55(2):227-232. ] DOI: 10.3321/j.issn:1671-8836.2009.02.020

DOI

[23]
Alt H, Godau M. Computing the Fréchet distance between two polygonal curves[J]. International Journal of Computational Geometry & Applications, 1995, 5(2):75-91. DOI: 10.1142/s0218195995000064

DOI

Options
文章导航

/

〈 〉