EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 1: 2 - 16

DOI: https://doi.org/10.12082/dqxxkx.2022.210762

Global Location Information Superposition Protocol and Location-based Service Network Technology: Progress and Prospects

  • GONG Jianya , 1, * ,
  • HUANG Wenzhe 2 ,
  • CHEN Zeqiang 3 ,
  • LIU Yuting 4 ,
  • LI Lin 5 ,
  • TANG Weiming 6 ,
  • ZHANG Qianli 7 ,
  • CHEN Jing 2 ,
  • CHEN Bo 8, 9 ,
  • YUE Peng 1 ,
  • LIU Jun 10 ,
  • XIAO Jihua 10
Expand
  • 1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
  • 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
  • 3. National Engineering Research Center of Geographic Information System, China University of Geosciences (Wuhan), Wuhan 430074, China
  • 4. Beijing Baidu Netcom Science Technology Company Limited, Beijing 100085, China
  • 5. School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 6. The Chinese Antarctic Center of Surveying and Mapping, Wuhan University, Wuhan 430079, China
  • 7. Institute for Network Sciences and Cyberspace, Tsinghua University, Beijing 100084, China
  • 8. College of Engineering, Peking University, Beijing 100871, China
  • 9. Haebin Institute of Technology (Shenzhen), Shenzhen, 518055, China
  • 10. Beidou Navigation & LBS Beijing Company Limited, Beijing 100176, China
* GONG Jianya, E-mail:

Received date: 2021-11-28

  Revised date: 2021-12-16

  Online published: 2022-03-25

Supported by

National Key R&D Program of China during the 13th Five-year Plan Period(2017YFB0503700)

Copyright

Copyright reserved © 2022
Fold

Abstract

With the rapid development of information technology, the world has entered an era of explosive growth of information, the Internet, the Internet of Things, and sensor networks have flooded with massive amounts of human society related information, providing us with a new way to solve urban governance and social management issues. The biggest challenge to further improve the ability of urban smart management is that information cannot be integrated and shared quickly and effectively. Therefore, the global location information superposition protocol and location-based service network technology have been proposed, based on the location-based fact of most social information, which become a key technology to break the barriers between systems in various fields, and to make the automatic collection, integration of computing, and intelligent services of massive heterogeneous information across networks, platforms, systems, and languages come true. This paper summarizes the current domestic and foreign research progress on the key technologies of the global location information superposition protocol and location-based service network, and then introduces the demonstration application of the global location-based service network. Finally, the technology and application of the global location-based service network on the future research directions are discussed, which can be the reference for the development of the global location-based service network in the future.

Key words： location service network; location code; location information superposition protocol; spatial-temporal information fusion; collaborative computing

Cite this article

GONG Jianya , HUANG Wenzhe , CHEN Zeqiang , LIU Yuting , LI Lin , TANG Weiming , ZHANG Qianli , CHEN Jing , CHEN Bo , YUE Peng , LIU Jun , XIAO Jihua . Global Location Information Superposition Protocol and Location-based Service Network Technology: Progress and Prospects[J]. Journal of Geo-information Science, 2022 , 24(1) : 2 -16 . DOI: 10.12082/dqxxkx.2022.210762

1 引言

人类社会是人流、物流和信息流构成的“人-物-事”统一复杂巨系统,其中百分之八十的信息与位置有关[1]。在下一代通信网络、物联网、云计算等新一代信息技术和战略性新兴产业大发展的背景下,互联网、物联网和传感网存在大量泛在位置信息[2],这些信息被广泛应用于城市建设、智能交通、公共安全、环境监测、资源管理、应急救灾等几十个领域。然而,受到应用系统大多独立建设和运行的限制,系统之间信息共享困难,无法满足现代社会智慧城市管理和安全应急提出的需要信息快速汇聚融合、协同分析达到决策目的要求。迫切的需要一个“抓手”来打通数据沟壑,满足社会、经济和生活大小事件监测、综合一体化管理和决策的需求[3]。
在此背景下,“全球位置服务网”应运而生。位置信息可以成为各种信息的桥梁和纽带,全球位置服务网就是指以位置为核心,聚合互联网、物联网、传感网泛在位置传感器和海量时空数据的融合物理空间时空数据与信息空间位置语义的复杂网络系统,经过信息融合、分析与计算,能够为大众用户、企业、高校、研究机构和政府部门提供位置关联的时空大数据在线分析与协同服务。“位置”是位置服务网的核心,但与球面剖分[4,5,6,7]、高精度卫星定位[8,9]等以提高定位精度的测绘技术不同,位置服务网更关注于空间位置信息与网络地址的深度融合[10,11],以达到位置信息直接通过统一的网络地址直接关联的目的。全球位置信息叠加协议[12]则是全球位置服务网实现位置信息有效和普适汇集的技术约定,是传统地理信息叠加分析技术内涵的延伸,相比于传统面向统一坐标系统、统一数据类型的叠加分析技术[13,14],全球位置信息叠加协议为文本、图形、图像、视频、音频等海量异构泛在位置数据的信息汇集与叠加提供了依据[12]。
国内外在位置服务网的单项技术和多项技术综合应用方面已经具备良好的基础,如室外高精度定位技术已发展成熟,国际GNSS服务组织（IGS）目前已构成一个超过350个连续运行双频GPS观测站组成的全球网络[15],采用广义差分等技术最高能提供亚米级甚至厘米级定位服务[16,17,18]。物联网、传感网将传统空天地专业传感器扩大到上万亿物联网非专业泛在传感器,与互联网海量多模态异构数据相结合,将为全球位置服务网提供PB级、EB级的位置、环境相关信息[2,19]。5G/6G等新一代基础设施建设[20,21]的不断推进保障了更高效、更安全的信息传递,使现实世界与网络世界的时间和空间不再分隔,真正实现实时和无缝传输。云计算、数据中心、计算中心为代表的信息新技术基础设施与算力基础设施[20,21,22]使地理信息技术具有海量空间数据分布式计算和处理的能力,实现地理信息数据与服务的“即拿即用”。
近年来,在全球高精度室外定位、无线通信技术[23,24]、地理信息技术[25]、云计算[20]等相对成熟的技术支持下,全球位置服务网实现了在位置感知的时空数据关联机理和“人-物-事”全球一致的位置关联信息动态融合服务模型,异构位置信息的可叠加、互操作与安全共享,全球位置网框架结构与基于位置的时空数据组织、搜索过滤与本体构建,全球一致的室内外无缝剖分编码及其与ipv6的融合,基于位置感知的多源动态信息协同计算与服务等关键问题的突破,为揭示“人-物-事”与位置的关联关系,实现跨网的时空位置智能感知、认知和综合智能决策,推动智慧地球和智能社会建设打下了坚实基础。因此,本文聚焦全球位置服务网的关键技术综述最新进展,并对全球位置服务网的典型应用进行梳理,最后分析了其面临的挑战与未来的发展方向。

2 关键技术

全球位置服务网（图1）建立的核心是围绕“位置”建立一个规范的框架,充分发挥“位置”的桥梁作用。对于人类社会,“位置”的含义包含人类在地球上所处的地理空间位置以及人类生产生活依靠的地理实体位置。因此,这个框架的建立从关键技术来说,就是如何实现地球空间位置和地理实体位置的精确定位、统一划分和统一编码,建立地理位置编码与网络地址的联系,规范位置关联的信息叠加规则,通过跨云协同计算的新方法,在统一的协同计算服务平台的支撑下提供更加智能和智慧的服务（图2）。
图1 位置服务网示意

Fig. 1 Location-based service network framework

图2 位置服务网的关键技术

Fig. 2 The key technology of location-based service network

2.1 全球立体剖分与位置编码

以位置为核心实现所有信息的快速收集融合,要求充当连接媒介的“位置”具有全球唯一性、多尺度、可标识、可索引、可计算和自动关联的特点[26]。传统的经纬度坐标有较高的位置精度,然而点状属性和浮点数的特征使其难以实现区域标识、共享交换和高效计算[27],全球统一的位置编码可以很好填补经纬度表达的空白[26,28],因此成为全球位置服务网的基础。
位置编码主要涉及地球空间网格剖分与地球空间剖分编码两项技术[4]。在以经纬度为基础的地球空间剖分领域,我国发展了一套一维整型数组全球等经纬度剖分网格系统GeoSOT（Geographical coordinate global Subdivision grid with One-dimension-integer on Two to n-th power）[4,6],通过将地心至地球5万km的地球立体空间进行剖分,形成了32级多尺度整分整度整秒的剖分网格。在实现全球统一空间信息区位索引与编码的基础上可以与现有主要的空间信息网格有较好的聚合与关联关系。这项技术已成为我国《GJB 8896-2017地球表面空间网格与编码》[5,29,30]、《GB/T 39409-2020北斗网格位置码》[31]、《GB/T 40087-2021地球空间网格编码规则》[5,30]等国家标准的基础。
为了符合下游位置编码网络映射工作的要求,全球位置服务网的网络位置编码设计需要遵循五大原则:① 满足IPv6编码规则;② 覆盖立体空间;③ 编码长度定长;④ 与网络地址一一映射;⑤ 支持快速空间方位关系计算。为此,在基于GeoSOT网格设计实现的全球室内外米级无缝无叠二三维一体化立体剖分位置编码基础上,魏小峰等[32,33]针对网络位置编码超出IPv6地址容量的问题,提出了网格编码降维优化的方法,利用高维填充曲线压缩平面标识长度、多尺度编码压缩层级标识长度、缩减高度层级压缩高程标识等技术实现了全球米级编码长度从83 ~ 68 bit的压缩,在减小冗余的同时,保证了地理网格编码在计算机中的整型存储结果的唯一性（图3）。
图3 全球统一的米级三维立体剖分位置编码与压缩

Fig. 3 Uniform location coding and coding compression

2.2 位置编码网络映射

网络地址中携带位置信息能够建立网络空间基础设施、应用服务以及多态地理信息到位置信息的关联,实现跨空间的多态信息叠加。在传统的IPv4地址时代,网络地址数目和地址长度有限,无法嵌入位置信息。为了实现位置追溯、网络位置监控,通常采用建立IP地址数据库的方式进行位置预测,如IP2location、MaxMind[34]和Alidade,最高可以实现街道级的预测精度。IPv6网络的出现给网址携带位置信息带来了可能[35]。
张千里等[10,11,36]首创了将位置信息嵌入IPv6地址的方案,视需求的不同,将位置信息映射为IPv6单播地址,或组播地址,粒度可达米级。通过位置信息内嵌,物联网和传感网的信息可以在互联网中自由流动,从而实现了“互联网-物联网-传感网”的三位一体。利用位置编码的IPv6地址可以在与现有网络互通的基础上发挥其独特优势,然而位置隐私泄露问题是其面临的巨大挑战。沈钲晨等[37]针对这一问题设计了实现位置信息映射的同时仍能够保护用户隐私的映射算法,通过授权密钥,即可以恢复其中的位置信息,为米级位置安全追溯提供可能。在应用方面,针对基于位置的边缘协同通讯问题,Dong等[38]设计了基于位置的adhoc网络路由位置映射,实现基于位置的智能组网,通过传感器协同感知,无需基础设施支持和布线,即可实现路由寻找和报文转发的工作。

2.3 地理实体与编码

地理实体[39]（亦称“空间实体”）是指现实世界中具有空间位置、共同属性的独立自然或人工地物,包括地上、地下、室内、室外的实体。以地理实体唯一编码作为地理单元和地物实体的唯一“身份证”,能将信息域（实体编码）、自然语言域（地名地址）、空间域（图形坐标）打通,建立地名与位置、位置与社会经济信息的桥梁,实现多源数据在实体粒度的融合。因此,地理实体在数字城市、智慧城市建设和管理中具有重要作用。2015年,国家测绘地理信息局提出建设新型基础测绘体系,同年,国务院批复《全国基础测绘中长期规划纲要（2015-2030）》[40],文件明确地理实体核心位置,提出探索建立基于地理实体的成果采集和管理模式。2018年国家标准《GB/T 37118-2018地理实体空间数据规范》[39]中规定了地理实体数据的内容和分类。各地方也随即出台了地理实体数据采集和建库的相关标准和规范。
地理实体编码方面,闾国年等[41]提出了面向“智慧城市”建设的地理实体分类体系、建立了需求驱动的地理实体颗粒度分割体系,并提出了顾及地理实体空间分布、时间过程的唯一身份编码体系。笔者将城市从市、区、街道、社区、基础网络、建筑物、楼栋到房间分为8个级别,建立了城市八级地理实体编码方案。由于地理实体的复杂性和多样性,地理实体编码还存在技术上的难点。地址名称本身的不规范和重复性,图形的复杂性使得地名、图形和实体编码较难实现匹配。
地理实体库[42]是描述和表达地理实体名称、空间位置及其与其他地理实体间关系等知识的集合。通常以开源数据为主其他众包数据为辅建立基础地理实体库[43],进一步用可描述概念与概念间关系的本体重构实体库,实现实体间空间关系的存储[44]。学者在构建基础空间实体库的基础上,融合在线邮编数据库、地图API等多源数据,运用向量空间模型和模糊匹配方法修补和规范化地址数据并对海量文本地址补全,进行地理编码,丰富了空间实体库。面对本体更侧重概念,缺少实例的问题,目前相关研究已经逐步从本体构建向地理知识图谱构建转变[45],探讨地理知识图谱概念、构建流程和补全方法[46,47]。

2.4 全球泛在位置信息叠加协议

泛在位置信息叠加是将泛在信息根据其位置特征进行共位叠置与融合,无论信息存在的形式如何以及信息关联或标签的语义位置标识如何,都可以通过一致的空间位置框架对海量信息进行有效的普适化组织。
目前,能有效实现信息叠加的是带有结构化IP地址、GPS、手机定位等明确位置语义的信息。通常采用Mashup方式实现信息混搭叠加[48,49,50]:如Google Maps/Earth API、百度地图API、高德地图API、腾讯地图API与第三方私有信息（如GeoRSS、ArcGIS数据）混搭叠加。针对弱结构化信息,一般是对泛在位置信息进行挖掘以增强语义信息的结构性。有学者指出将这些形态各异、形式丰富的位置信息进行有效地融合和叠加的关键是寻求或发现泛在位置信息的共性特征和一致性的形态结构,构建出具有位置共享和信息语义可融合的共性结构,由此提出了基于位置共性结构的泛在位置信息叠加技术（图4）,以空间共位、结构共型为框架,实现了在保障信息语义无损条件下,基于任何空间位置上多源信息（文本、图像、表格、图形、动画、视频、音频）的普适性汇集。该方法已经成为《泛在位置信息叠加协议》[12]国家标准的基础。
图4 基于位置的信息叠加机理

Fig. 4 The mechanism of Location-based information superposition

2.5 高精度位置网时空框架

高精度的位置和时间基准信息是位置服务的基础,20世纪90年代初,随着全球卫星导航系统GPS的建成,基于卫星的全球定位授时工作广泛开展。通过伪距差分消除与卫星端和传播路径方向的相关误差影响,以及基于实时精密单点定位原理直接对卫星端轨道和钟差两大误差源进行精化建模,都是获得更高精度定位结果的有效解决方案。中国自主研发的北斗全球卫星导航系统可向全球提供标准定位导航授时,向中国及周边提供星基增强和星基精密单点定位服务,实现米级、分米级和厘米级定位精度,通过地基差分可实现毫米级精度定位[51]。
授时是通过标准时间信息的传递使各地时钟统一于标准时间的过程。常用的授时技术包括[52]:自由空间微波时频同步（如短波授时、长波授时）、卫星时频同步（如单向法、共视法CV、双向时间频率传递法TWSTFT）和光纤时频同步（SDH传输、SWSM传输）。利用卫星进行同步对比是目前应用最为广泛的时频同步技术,基于精密单点定位PPP技术能实现亚纳秒级的授时精度。国内目前基于北斗高精度时钟差分信息,利用北斗高精度非差解算技术,实现了全球用户亚纳秒级精度授时服务。
为实现全球位置网高精度定位授时,建设完成了包含全国155个框架网基准站和1200个区域网基准站、150个全球站的北斗地基增强系统,建成基准站“全国一张网”。在此基础上,设计了一个能够聚合北斗/GNSS地基增强网、全球IGS站,区域地基增强系统、泛在位置传感器、海量时空数据等资源要素的北斗/GNSS地基增强系统的全球位置服务网框架[53,54]。该服务系统在现有全球和区域北斗/GNSS实时数据流的基础上进行差分增强产品生成,并将全球的北斗/GNSS实时精密卫星轨道、钟差产品提供给位置网用户,通过多层次、多种类别的位置网服务模式,可为各类位置网应用服务终端提供不同级别的精密定位授时服务。在满足全球米级定位和纳秒级时间同步能力的同时,还可进一步可提供重点地区厘米级的高精度位置服务。

2.6 位置感知的信息融合协同计算

将跨网的时空信息动态融合协同计算,涉及海量异构时空大数据存储、查询、计算、分析与展现,离不开高效的跨云跨网协同计算机制以及高性能协同计算框架的支持。由于缺乏对位置的统一建模,传统的信息融合方法多侧重于地图、遥感影像等图层或图幅的融合,而无法实现泛在位置信息的融合计算。位置服务网的相关研究中,学者提出了面向地理实体的位置服务网时空信息动态融合模型（图5）,建立了“语义建模-位置关联-跨网融合”的理论与方法体系。基于地理实体连结互联网、传感网和物联网,汇聚人类生活、生产活动所产生的信息,基于主题进行动态融合,生成面向位置和主题的知识图谱,为后续位置大数据协同计算与分析挖掘提供融合数据基础。
图5 面向地理实体的位置网服务时空信息动态融合模型

Fig. 5 Geographic entity-oriented spatio-temporal information dynamic fusion model of location-based service network

对位置和主题进行语义建模形成地理实体库和主题词库是信息动态融合模型的前提。首先需要解决互联网、物联网和传感网中海量异构泛在位置信息的地理实体抽取问题。识别信息中表达空间位置的命名实体,建立地理实体之间的语义和空间关联,发现和填充与地理实体相关的空间位置、属性信息和事件[55]。这些泛在位置信息大多数为半结构化或非结构化,通常没有地名标签和明确的位置信息,具有语义上异构、形式上多样、位置上多态,信息量大而单个信息价值小的特点,需要综合数据挖掘、空间认知、空间关系、自然语言处理诸多领域的方法实现地理实体感知和提取。
（1）文本位置感知提取
随着机器学习和深度学习的发展,自然语言处理领域的实体识别技术NER（Named Entity Recognition）取得突破性进展。单纯基于词典和基于规则匹配[56,57]的方法召回率低、构建模式成本高,逐渐被基于机器学习、深度学习以及相关组合方法取代。其中,基于语料库训练统计学习模型,如隐马尔可夫模型（HMM）[58]、支持向量机（SVM）[59]、条件随机域等模型（CRF）[60,61]的机器学习方法是目前最流行且成熟的地理实体识别方法,双向长短期记忆网络联合条件随机场模型（BiLSTM-CRF）[62,63,64]是主流的基于深度学习的方法。还有学者利用BiLSTM、CNN和LDA模型,结合地理实体库,用机器学习的分类思想实现了带有消歧能力的文本位置感知方法。
（2）地理实体消歧
地理实体消歧是结合上下文语境和辅助数据（如地图、地理知识库等）消除地名的同名异物现象。典型的方法有:基于地名共现统计[65,66]和基于机器学习分类[67]的数据驱动方法和基于地图[68]、基于外部资源[69]的启发式方法。最近学者研究了位置之间的空间、时间、属性3个方面的表达,提出基于时间临近性、基于空间临近性、基于分元关系、基于功能相关关系和基于实例关系（对象-类）的消歧方法,通过位置语义网框架将多种方法有效结合,扩大了消歧方法的适用范围[70]。
（3）地理求焦
地理求焦是指对消歧后的候选地理实体序列进行重要性排序,确定代表时空数据的地理实体和空间范围[71]。常用的方法有:基于地理实体出现频率、出现位置、空间关系的方法[72],这些方法需要地理实体库中包含所选实体空间范围。针对这些问题,提出的有基于地理实体上下文和顾及背景知识、语义规则及模糊语言变量的未知或模糊实体求焦方法[73,74]。学者提出了基于位置语义网的地理求焦方法,包括基于概念相关的地名未知映射方法和基于实例关系的模糊范围提取的方法。
（4）图像位置信息提取
当前图像检索技术主要是基于内容的图像检索CBIR[75]和基于文本的图像检索TBIR[76],全局特征和局部特征常被用于提高图像检索性能。由于图像文本标注的复杂性,目前图像位置信息提取主要采用基于内容的方式,以图搜图,匹配位置已知的街景图像。目前主要的街景图像检索方法包括:基于手动局部特征的方法（如SIFT[77],SURF[78],Hesaff SIFT[79]）和基于卷积神经网络的方法（如MaxPool[80],SumPool[81],RMAC[82],GEM[83]）。Chu等[84]提出的基于注意力机制的细节特征提取、基于几何约束和语义分类的特征压缩、基于倒排索引和乘积量化的技术,实现了大规模特征提取和快速检索。Cao等[85]提出的CELG（Deep Local and Global features）统一模型用于大规模图像检索,基于深度局部和全局特征提取、局部和全局CNN特征联合和图像检索的降维方法,在百度地图道路数据和POI数据生产和自动化更新中得到落地,实现了90%数据的自动化生产。
（5）主题词库与文本主题抽取
得益于自然语言处理技术的发展,面向主题聚焦的信息集成成为国际上多源信息融合的一种重要发展趋势。国内外学者提出了用于关键词提取的TF-IDF、TextRank等算法[86,87],针对社会化标签提取的LDA模型、HDP模型等[88,89]主题模型。这些主流算法主要基于静态词图的迭代计算,导致提取速度较慢;提取结果依赖于文本分词结果,对后续处理算法不利。而通过建立主题词库,能兼顾领域专业性和语料针对性,提高主题提取准确度,为信息融合计算提供支撑。综合应用语义网和机器学习技术,学者提出了构建不同领域本体,以“领域-主题-关键词”形式划分本体层次,利用本体和LDA文本主题模型生成领域词库和主题词库的方法。基于流计算平台和主题词库,实现大规模文本主题词快速抽取和分类,同时实现主题词库增量式更新。
（6）面向主题的位置语义重组与感知计算
面向主题的位置语义重组与感知计算引擎是以各类位置信息为输入,以归类整理好的主题信息集为输出,围绕主题定义提供一系列的基本语义位置算子,用于辅助主题信息的归类与核心元素抽取,为后续半结构化位置信息搜索提供支持[90]。主要的技术包括位置语义感知、文本主题抽取、短文本分类、位置信息主题归类与语义位置感知计算。其中,主题归类是根据主题时间、空间和属性,采用机器学习方法,通过大规模样本库,计算不同位置信息与主题之间的概率相似性,实现位置信息的主题归类,位置关联是其核心问题。语义位置感知计算可以理解为基于参考位置的空间特征,结合空间关系的形式化计算,从而获取目标位置的空间特征。
（7）空间域地理实体关联
空间域地理实体关联是将传统关系关联方式扩展到空间维度,通过计算异构地理数据集中地理实体的空间关系,识别同一地理对象的不同几何表示或不同地理对象的空间拓扑关系,从而建立空间关联。能够解决传统地理空间数据检索,只支持矢量数据或单源影像数据检索不能全面把握空间数据语义信息的问题。通过将坐标信息转换为统一格式,利用空间计算函数进行空间关系布尔运算进行空间谓词匹配,并采用分布式计算平台Spark、MapReduce进行并行化改造,能够实现高性能空间域面状实体位置信息关联与融合计算。
（8）位置关联的信息融合
空间数据基础设施（SDI）中对地观测技术和社会感知方法的发展使得动态数据能够被输入到模型中进行实时处理与分析。其中,如何面向位置关联构建动态融合模型,有效处理实时传入的观测数据流是一个关键挑战。目前提出几种信息融合模型: ①基于高维特征与深度监督融合网络的多源位置数据匹配与信息融合模型,考虑位置数据的名称、几何坐标、分类体系,空间和非空间属性,通过相似度提取和深度监督融合网络实现高精度信息融合。 ②位置关联的跨网数据实时融合模型[91],是基于OGC传感网观测模型、实时GIS时空数据模型和Spark Streaming流计算模型的Observation Stream（O-Stream）分布式弹性观测数据流模型,能实现对观测数据的动态融合和实时处理,在城市空间主题场景的灾害应急管理中得到了应用。 ③位置关联的深度学习信息融合模型,基于卷积神经网络,能整合互联网时序位置数据与天气、节假日等外部数据实现高精度的网约车订单预测。
（9）跨云协同计算架构
面对跨云跨网的海量泛在时空位置数据融合与挖掘过程中的密集计算与并发协同需求,需要解决现有协同计算机制大多建立在单云同质计算环境下的调度优化算法基础上,以数据分块、服务代理的方式实现任务级协同,同时对时空对象的支持能力有限,对空间分析算法支撑能力较弱,缺乏面向空间数据倾斜问题的数据分区与索引机制,并行处理能力不足、计算资源配置固化、供需失衡的问题。目前提出了基于OpenStack、CloudStack等开源异构云平台和Spark并行计算框架的混合云协同计算框架。并在此基础上扩展了面向时空对象的多策略融合计算流程优化与并行加速方案[92,93],包括基于STR树索引优化邻域查询、KDB树约束数据分区、双层HashTable缓存权复用、二进制压缩编码优化数据传输,有效提升了空间数据高性能处理与协同分析的响应能力。此外,将人工智能技术引入时空计算强度建模,提出了计算任务分配的负载均衡方法,提升了时空协同计算的效率。实现了混合云位置信息多端同步性能从分钟级到秒级的提升。

3 示范应用

随着全球位置服务网技术的不断发展,位置网能够在城市和社会管理各个领域发挥作用。已经形成的示范应用有国内发展的具有网络社交、居民时空行为、城市交通、灾害分析、城市生态环境、大气污染6个领域服务的位置服务网时空大数据融合分析与协同计算服务平台（图6）,以及面向物流交通、城市消防和城市管理的3个位置服务网示范子系统。
图6 位置服务网时空大数据融合分析与协同计算服务平台

Fig. 6 Spatial-temporal big data fusion analysis and collaborative computing service platform based on location-based service network

位置服务网时空大数据融合分析与协同计算服务平台,通过文本位置提取、主题抽取、分类与检索,主题词库和知识图谱,融合模型动态生成等位置感知的信息融合与协同计算技术,从互联网微博数据、媒体报道、热点舆情等多源异构数据中提取位置信息、主题信息,建立主题词库与知识图谱,在统一的全球位置信息叠加协议基础上实现了同一位置上各种网络相关信息的快速动态链接,例如微博数据、高德/百度POI数据、实时交通API、OSM等互联网数据与人口统计、人口普查等统计数据,以及基础地理数据、物联网、传感网实时监测数据的动态跨云跨网叠加、融合。通过构建面向网络社交、居民时空行为、城市交通、灾害分析、城市生态环境、大气污染等不同应用场景的位置感知计算模块,实现了围绕地理位置的主题关联计算,以揭示位置大数据的时空动态演化过程,并提供多源动态位置信息在线分析服务。例如,该平台通过以上6个领域的计算模块提供在线分析服务使有关部门能更加高效、便捷地了解民情,掌握网络“焦点”和“热点”事件,挖掘群体性的思想、心理、情绪、意见和要求,精确探索人类行为活动,进行交通事故分析与风险评测,实现滑坡预警应急、滑坡易发性空间预测、洪涝灾害风险性可视化分析、洪涝灾害评价[91,94]、城市的健康度评价[95]、PM2.5污染源定位可视化分析、模拟,污染源位置等。
物流交通位置服务网示范子系统,面向物流场景,将数十万安装了车载定位的各类货车、私家车终端节点接入系统,在位置服务网高精度时空框架的支持下实现车辆米级导航与定位,通过位置服务网时空大数据协同计算系统的数据接入与存储、主题提取、数据关联、结构化语义检索、动态可视化以及任务监控与调度等在线服务,能够面向物流供需双方提供方便信息交互、促进交易便捷达成、降低物流过程损耗的网络信息服务。面向共享单车场景,利用全球位置信息叠加协议,实现了实时共享单车位置数据与道路数据时空叠加,通过对共享单车和城市要素、各行业时空信息采用位置信息叠加协议共位分析、共性结构叠加技术思路进行分析,计算路段拥堵程度,挖掘城市居民的行为模式以及关联行业的潜在信息,为商业的发展、政府的城市建设与交通规划提供决策支持。
城市消防位置服务网示范子系统,主要应用位置服务网的位置信息ipv6映射技术,实现局地adhoc网络通信,形成的以位置为中心的自组网络（图7）。将烟感传感器、摄像头等节点组成一个网络,使得整个系统互联互通,当烟感传感器出现报警时,系统能自动找到空间距离最近的摄像头进行实时拍照,结合附近其它摄像头综合判断火灾是否发生,确认发生火灾再上传火警信息。利用边缘计算实现传感器智能协调,提高消防出警与巡查的工作效率。
图7 城市消防位置服务网示范子系统

Fig. 7 City fire demonstration subsystem based on location-based service network

城市管理位置服务网示范子系统,应用全球位置信息叠加协议,实现城市管理相关的部件信息、事件信息、人员信息、与物联网、传感网城市管理相关的部门、岗位和公众动态叠加,通过调用位置服务网时空大数据协同计算系统主题提取、数据关联、结构化语义检索、位置场景识别、多维数据挖掘、时空变化趋势分析等在线服务,在城市管理的业务流转、设备管理、人员管理及精细化管理中提供位置服务。

4 展望

全球位置服务网将互联网、物联网、传感网上流动的时空大数据聚合在实体空间与之对应的地理实体上,实现了网络空间与实体空间“人-物-事”的关联,在统一的叠加规范、高精度的时空框架、高性能的协同计算技术的支持下,能够有效支撑实体空间到网络空间的重现、网络空间到实体空间的映射,通过实时感知、关联融合、深层挖掘、协同计算,能在城市和社会管理、服务以及科研等各领域发挥重要作用。从技术和应用的角度来看,全球位置服务网还面临着以下挑战:
泛在位置信息的关联与融合能力亟待进一步突破。跨网的、多模态的泛在位置信息中蕴含的信息是对人类社会和自然环境不同角度的描述,这些不同形式的信息都不是孤立存在的,而是具有极强的互补性。目前的技术手段更侧重于单一来源、单一模态信息的整合,虽然已经能实现超越数据层面的基于语义的信息融合,但受到数据深层信息和数据间关联关系挖掘不够的限制,远不能满足“智能”服务的需求。如何将具有多源异构特征的泛在位置信息从时空、主题、语义角度实现信息“切实”融合,支持潜在信息综合感知仍然是位置网技术亟待突破的问题。
行业领域内全球级、大范围、深层次的应用仍然比较缺乏。随着科技的发展,地理信息技术在复杂多样的城市和社会管理的各个方面都起到了重要作用,然而这些地理信息系统都不具有跨云跨网的信息调用和融合处理能力。因此,位置网有着丰富的应用场景,迫切需要在全球实现大范围综合应用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李清泉, 李德仁. 大数据GIS[J]. 武汉大学学报(信息科学版), 2014, 39(6):641-644,666.

[ Li Q Q, L D R. Big data GIS[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):641-644,666. ] DOI: 10.13203/j.whugis20140150

DOI

[2]
李德仁. 脑认知与空间认知——论空间大数据与人工智能的集成[J]. 武汉大学学报(信息科学版), 2018, 43(12):1761-1767.

[ Li D R. Brain cognition and spatial cognition:on integration of Geo-spatial big data and artificial intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):1761-1767. ] DOI: 10.13203/j.whugis20180411

DOI

[3]
龚健雅, 郝哲. 信息化时代新型测绘地理信息技术的发展[J]. 中国测绘, 2019(7):25-30.

[ Gong J Y, Hao L. Development of new surveying and mapping geographic information technology in the information age[J]. China Surveying and Mapping, 2019(7):25-30. ] DOI: CNKI:SUN:ZCHZ.0.2019-07-005

DOI

[4]
程承旗. 空间信息剖分组织导论[M]. 北京: 科学出版社, 2012.

[ Cheng C Q. Introduction to spatial information dissection organization[M]. Beijing: Science Press, 2012. ]

[5]
兀伟, 邓国庆, 程承旗, 等. 国家标准《地球空间网格编码规则》编制说明[J]. 测绘标准化, 2021, 37(3):5-10.

[ Wu W, Deng G Q, Cheng C Q, et al. Description for national standard geospatial grid encoding rule[J]. Standardization of Surveying and Mapping, 2021, 37(3):5-10. ]

[6]
程承旗, 付晨. 地球空间参考网格及应用前景[J]. 地理信息世界, 2014, 21(3):1-8.

[ Cheng C Q, Fu C. Earth space reference grid and its application prospect[J]. Geomatics World, 2014, 21(3):1-8. ] DOI: 10.3969/j.issn.1672-1586.2014.03.001

DOI

[7]
李德仁, 崔巍. 地理本体与空间信息多级网格[J]. 测绘学报, 2006, 35(2):143-148.

[ Li D R, Cui W. Geographic Ontology and SIMG[J]. Acta Geodaetica et Cartographica Sinica, 2006, 35(2):143-148. ] DOI: 10.3321/j.issn:1001-1595.2006.02.010

DOI

[8]
宁津生, 王正涛. 测绘学科发展综述[J]. 测绘科学, 2006, 31(1):9-16,3.

[ Ning J S, Wang Z T. Review on the development of surveying and mapping[J]. Science of Surveying and Mapping, 2006, 31(1):9-16,3. ] DOI: 10.3771/j.issn.1009-2307.2006.01.001

DOI

[9]
杨元喜, 李金龙, 王爱兵, 等. 北斗区域卫星导航系统基本导航定位性能初步评估[J]. 中国科学:地球科学, 2014, 44(1):72-81.

[ Yang Y X, Li J L, Wang A B, et al. Preliminary evaluation of the basic navigation and positioning performance of Beidou regional satellite navigation system[J]. Scientia Sinica(Terrae), 2014, 44(1):72-81. ] DOI: 10.1360/zd-2014-44-1-72

DOI

[10]
沈钲晨, 张千里, 张沛, 等. 基于地理位置的IPv6地址生成方式研究与设计[C]. 2018中国信息通信大会(CICC 2018), 2018.

[ Shen Z C, Zhang Q L, Zhang P, et al. Research and Design of IPv6 Address Generation Method Based on Geographical Location[C]. 2018 China Information and Communication Conference(CICC 2018), 2018]

[11]
张千里, 姜彩萍, 王继龙, 等. IPv6地址结构标准化研究综述[J]. 计算机学报, 2019, 42(6):1384-1405.

[ Zhang Q L, Jiang C P, Wang J L, et al. A survey on IPv6 address structure standardization researches[J]. Chinese Journal of Computers, 2019, 42(6):1384-1405. ] DOI: 10.11897/SP.J.1016.2019.01384

DOI

[12]
自然资源部(测绘地理). 20210654-T-466,泛在位置信息叠加协议[S]. 全国地理信息标准化技术委员会, 2021.

[ Ministry of Natural Resources (Surveying and Mapping Geography). 20210654-T-466, Protocol for Information Superposition based on Ubiquitous Location[S]. National Geographic Information Standardization Technical Committee, 2021. ]

[13]
吴信才. 地理信息系统的基本技术与发展动态[J]. 地球科学, 1998, 23(4):5-9.

[ Wu X C. Basic technology and development of geographic information system[J]. Earth Science, 1998, 23(4):5-9. ] DOI: 10.3321/j.issn:1000-2383.1998.04.001

DOI

[14]
Fotheringham S, Rogerson P. Spatial analysis and GIS[M]. CRC Press, 2013.

[15]
Dow J M, Neilan R E, Rizos C. The international GNSS service in a changing landscape of global navigation satellite systems[J]. Journal of geodesy, 2009, 83(3):191-198. DOI: 10.1007/s00190-008-0300-3

DOI

[16]
宁津生, 姚宜斌, 张小红. 全球导航卫星系统发展综述[J]. 导航定位学报, 2013, 1(1):3-8.

[ Ning J S, Yao Y B, Zhang X H. Review of the Development of Global Satellite Navigation System[J]. Journal of Navigation and Positioning, 2013, 1(1):3-8. ] DOI: 10.16547/j.cnki.10-1096.2013.01.005

DOI

[17]
Zou X, Wang Y, Deng C, et al. Instantaneous BDS+GPS undifferenced NRTK positioning with dynamic atmospheric constraints[J]. GPS Solutions, 2018, 22(1):17. DOI: 10.1007%2Fs10291-017-0668-8

DOI

[18]
Li X, Ge M, Dai X, et al. Accuracy and reliability of multi-GNSS real-time precise positioning: GPS, GLONASS, BeiDou, and Galileo[J]. Journal of Geodesy, 2015, 89(6):607-635. DOI: 10.1007/s00190-015-0802-8

DOI

[19]
李德仁, 王密, 沈欣, 等. 从对地观测卫星到对地观测脑[J]. 武汉大学学报·信息科学版, 2017, 42(2):143-149.

[ Li D R, Wang M, Shen X, et al. From earth observation satellite to earth observation brain[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2):143-149. ] DOI: 10.13203/j.whugis20160526

DOI

[20]
李德仁. 新基建时代地理信息产业的机遇与挑战[J]. 中国工业和信息化, 2020, 12:52-57.

[ Li D R. Opportunities and challenges of geographic information industry in the era of new infrastructure[J]. China Industry & Information Technology, 2020,(12):52-57. ] DOI: 10.19609/j.cnki.cn10-1299/f.2020.12.008

DOI

[21]
李德仁. 展望5G/6G时代的地球空间信息技术[J]. 测绘学报, 2019, 48(12):1475-1481.

[ Li D R. Towards geospatial information technology in 5g/6g Era[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(12):1475-1481. ] DOI: 10.11947/j.AGCS.2019.20190437

DOI

[22]
刘艳红, 黄雪涛, 石博涵. 中国“新基建”:概念、现状与问题[J]. 北京工业大学学报(社会科学版), 2020, 20(6):1-12.

[ Liu Y H, Huang X T, Shi B B. China's new infrastructure construction: Concepts, current situations and problems[J]. 2020, 20(6):1-12. ] DOI: 10.3771/j.issn.1009-2307.2006.01.001

DOI

[23]
尤肖虎, 潘志文, 高西奇, 等. 5G移动通信发展趋势与若干关键技术[J]. 中国科学:信息科学, 2014, 44(5):551-563.

[ You X H, Pan Z W, Gao X Q, et al. The 5g mobile communication: the development trends and its emerging key techniques[J]. Scientia Sinica(Informationis), 2014, 44(5):551-563. ] DOI: 10.1360/N112014-00032

DOI

[24]
罗军舟, 吴文甲, 杨明. 移动互联网:终端、网络与服务[J]. 计算机学报, 2011, 34(11):2029-2051.

[ Luo J Z, Wu W J, Yang M. Mobile internet: Terminal devices, networks and services[J]. Chinese Journal of Computers, 2011, 34(11):2029-2051. ] DOI: 10.3724/SP.J.1016.2011.02029

DOI

[25]
龚健雅. 当代地理信息系统进展综述[J]. 测绘与空间地理信息, 2004, 27(1):5-11.

[ Gong J Y. Review of the progress in contemporary GIS[J]. Geomatics & Spatial Information Technology, 2004, 27(1):5-11. ] DOI: 10.3969/j.issn.1672-5867.2004.01.001

DOI

[26]
漆锟, 程承旗, 陈波. 北斗导航网格码在空天信息组织中的应用[C]. 2016年航空科学与技术全国博士生学术论坛, 2016: 48.

[ Qi K, Cheng C Q, Chen B. Application of beidou navigation Grid code in aerospace information organization[C]. 2016 National Academic Forum for Doctoral Students in Aviation Science and Technology, 2016: 48. ]

[27]
李潇. 北斗网格码:一码标记全球[N]. 学习时报, 2021-11-24(006).

[ Li X. Beidou grid code: Mark the world with one code[N]. Study times, 2021-11-24(006). ]

[28]
李林, 程承旗, 任伏虎. 北斗网格码:数字孪生城市CIM时空网格框架[J]. 信息通信技术与政策, 2021(11):1-5.

[ Li L, Cheng C Q, Ren F H. Beidou grid code: Cim spatio-temporal grid framework for digital twin cities[J]. Information and Communications Technology and Policy, 2021(11):1-5. ] DOI: 10.12267/j.issn.2096-5931.2021.11.001

DOI

[29]
中国军委装备发展部. GJB 8896-2017,地球表面空间网格与编码[S]. 全国地理信息标准化技术委员会, 2017.

[ Equipment Development Department of the Chinese Military Commission. GJB 8896-2017, Earth surface space grid and coding[S]. National Geographic Information Standardization Technical Committee, 2017. ]

[30]
自然资源部(测绘地理). GB/T 40087-2021,地球空间网格编码规则[S]. 全国地理信息标准化技术委员会, 2021.

[ Ministry of Natural Resources (Surveying and Mapping Geography). GB/T 40087-2021, Geospatial grid coding rules[S]. National Geographic Information Standardization Technical Committee, 2021. ]

[31]
中央军委装备发展部. GB/T 39409-2020,北斗网格位置码[S]. 全国北斗卫星导航标准化技术委员会, 2020.

[ Central Military Commission Equipment Development Department. GB/T 39409-2020, Beidou grid location code[S]. National Beidou Satellite Navigation Standardization Technical Committee, 2020. ]

[32]
魏小峰, 程承旗, 陈波, 等. 基于独立边数的链码方法[J]. 浙江大学学报, 2018, 52(9):61-68.

[ Wei X F, Cheng C Q, Chen B, et al. Chain code based on independent edge number[J]. Journal of Zhejiang University, 2018, 52(9):61-68. ] DOI: 10.3785/j.issn.1008-973X.2018.09.008

DOI

[33]
魏小峰, 程承旗, 陈波, 等. 利用不规则线段组合的压缩链码[J]. 计算机辅助设计与图形学学报, 2018, 30(10):54-61.

[ Wei X F, Cheng C Q, Chen B, et al. A compressed Chain code based on irregular line segments combination[J]. Journal of Computer-Aided Design & Computer Graphics, 2018, 30(10):54-61. ] DOI: CNKI:SUN:JSJF.0.2018-10-007

DOI

[34]
Maxmind.GeoIP2 City Accuracy[DB/OL]. https://www.maxmind.com/en/geoip2-city-accuracy-comparison?country=&resolution=50&cellular=all.

[35]
Hain.An IPv6 Geographic Global Unicast Address Format[DB.OL].https://datatracker.ietf.org/doc/draft- hain- ipv6- geoaddr/.

[36]
新华三技术有限公司. IPv6组播地址的生成方法和装置[P]. 发明专利,CN201910939895.8. 2019-09-30.

[ New H3C Technology Co., Ltd.. Method and device for generating IPv6 multicast address[P]. Patent, CN201910939895.8. 2019-09-30.

[37]
沈钲晨, 张千里, 张超凡, 等. 基于深度学习的位置隐私攻击[J]. 计算机研究与发展, 2021,1-14.

[ Shen Z C, Zhang Q L, Zhang C F, et al. Location privacy attack based on deep learning[J]. Journal of Computer Research and Development, 2021,1-14. ]

[38]
Dong Q, Chen J, Liu T. A topographically preserved road-network tile model and optimal routing method for virtual globes[J]. Transactions in GIS, 2019, 23(2):294-311. DOI: 10.1111/tgis.12520

DOI

[39]
自然资源部(测绘地理). GB/T 37118-2018,地理实体空间数据规范[S]. 全国地理信息标准化技术委员会, 2018.

[ Ministry of Natural Resources (Surveying and Mapping Geography). GB/T 37118-2018, Geographic entity spatial data specification[S]. National Geographic Information Standardization Technical Committee, 2018. ]

[40]
国务院. 《国务院关于全国基础测绘中长期规划纲要(2015-2030年)的批复》[EB/OL]. 中华人民共和国中央人民政府, 2015-06-01: http://www.gov.cn/zhengce/content/2015-06/06/content_9830.htm.

[ State Council, "Approval of the State Council on the National Basic Surveying and Mapping Medium and Long-term Planning Outline (2015-2030)" [EB/OL]. The Central People's Government of the People's Republic of China, 2015-06-01: http://www.gov.cn/zhengce/content/2015-06/06/content_9830.htm].

[41]
闾国年, 俞肇元, 周良辰, 等. 地理实体分类与编码体系的构建[J]. 现代测绘, 2019, 42(1):1-6.

[ Lv G N, Yu Z Y, Zhou L C, et al. Construction of geographical entity classification and coding system[J]. Modern Surveying and Mapping, 2019, 42(1):1-6. ] DOI: CNKI:SUN:JSCH.0.2019-01-001

DOI

[42]
李成名, 印洁, 刘晓丽, 等. “实体中国”与新型基础测绘的思考[J]. 测绘科学, 2019, 44(6):230-234.

[ Li C M, Yin J, Liu X L, et al. Thinking on the Feature China and new fundamental surveying and mapping[J]. Science of Surveying and Mapping, 2019, 44(6):230-234. ] DOI: 10.16251/j.cnki.1009-2307.2019.06.034

DOI

[43]
张红辉, 赵仁亮, 周晓光. 基于开源方式的多源网络地名数据库整合[J]. 地理信息世界, 2014, 21(1):22-28.

[ Zhang H H, Zhao R L, Zhou X G. A method for integration of multi-source network geographic name data based on open source approach[J]. Geomatics World, 2014, 21(1):22-28. ] DOI: 10.3969/j.issn.1672-1586.2014.01.021

DOI

[44]
Purves R S, Clough P, Jones C B, et al. The design and implementation of SPIRIT: A spatially aware search engine for information retrieval on the Internet[J]. International Journal of Geographical Information Science, 2007, 21(7):717-745. DOI: 10.1080/13658810601169840

DOI

[45]
黄恒琪, 于娟, 廖晓, 等. 知识图谱研究综述[J]. 计算机系统应用, 2019, 28(6):1-12.

[ Huang H Q, Yu J, Liao X, et al. Review on knowledge graphs[J]. Computer Systems & Applications, 2019, 28(6):1-12. ] DOI: 10.15888/j.cnki.csa.006915

DOI

[46]
Wang S, Zhang X, Ye P, et al. Geographic knowledge graph (GeoKG): A formalized geographic knowledge representation[J]. ISPRS International Journal of Geo-information, 2019, 8(4):184. DOI: 10.3390/ijgi8040184

DOI

[47]
Qiu P, Gao J, Yu L, et al. Knowledge embedding with geospatial distance restriction for geographic knowledge graph completion[J]. ISPRS International Journal of Geo-Information, 2019, 8(6):254. DOI: 10.3390/ijgi8060254

DOI

[48]
Nakamura E F, Loureiro A A, Frery A C, Information fusion for wireless sensor networks: Methods, models, and classifications[J]. ACM Computing Surveys, 2007, 39(3):9-es. DOI: 10.1145/1267070.1267073

DOI

[49]
Beeri C, Kanza Y, Safra E, et al. Object fusion in geographic information systems[C]. Proceedings of the Thirtieth international conference on Very large data bases-Volume 30, 2004:816-827. DOI: 10.1016/B978-012088469-8/50072-3

DOI

[50]
Zhang H, Li L, Hu W, et al. Visualization of location-referenced Web textual information based on map mashups[J]. IEEE Access, 2019, 7:40475-40487. DOI: 10.1109/ACCESS.2019.2907570

DOI

[51]
杨元喜, 任夏. 超高精度定位[J]. 中国科学基金, 2021, 35(3):410-412.

[ Yang Y X, Ren X. Ultra-high precision positioning[J]. Bulletin of National Natural Science Foundation of China, 2021, 35(3):410-412. ] DOI: 10.16262/j.cnki.1000-8217.2021.03.018

DOI

[52]
梁益丰, 许江宁, 吴苗, 等. 高精度授时技术发展现状分析[J]. 现代导航, 2018, 9(5):331-334.

[ Liang Y F, Xu J N, Wu M, et al. Analysis of development of high-precision time service technology[J]. Modern Navigation, 2018, 9(5):331-334. ] DOI: 10.3969/j.issn.1674-7976.2018.05.005

DOI

[53]
Cui J, Yan R, Deng C, et al. GPS+BDS network real-time differential positioning using a position domain estimation method[J]. Remote Sensing, 2019, 11(12):1480. DOI: doi.org/10.3390/rs11121480

DOI

[54]
Tang W, Shen M, Deng C, et al. Network-based triple-frequency carrier phase ambiguity resolution between reference stations using BDS data for long baselines[J]. GPS Solutions, 2018, 22(3):1-10. DOI: 10.1007/s10291-018-0737-7

DOI

[55]
余丽, 陆锋, 张恒才. 网络文本蕴涵地理信息抽取:研究进展与展望[J]. 地球信息科学学报, 2015, 17(2):127-134.

DOI

[ Yu L, Lu F, Zhang H C. Extracting geographic information from Web texts: Status and development[J]. Journal of Geo-information Science, 2015, 17(2):127-134. ] DOI: 10.3724/SP.J.1047.2015.00127

DOI

[56]
张雪英, 闾国年, 李伯秋, 等. 基于规则的中文地址要素解析方法[J]. 地球信息科学学报, 2010, 12(1):13-20.

[ Zhang X Y, Lv G N, Li B Q. Rule based approach to semantic resolution of Chinese addresses[J]. Journal of Geo-information Science, 2010, 12(1):13-20. ] DOI: 10.3724/SP.J.1047.2010.00009

DOI

[57]
王克永, 刘纪平, 罗安, 等. 前后缀与特征词相结合的地名地址提取[J]. 测绘通报, 2016, 2:64-68.

[ Wang K Y, Liu J P, Luo A, et al. Extracting Toponomy and Location Based on the Combination of Prefix and Suffix with Feature Words[J]. Bulletin of Surveying and Mapping, 2016, 2:64-68. ] DOI: 10.13474/j.cnki.11-2246.2016.0050

DOI

[58]
俞鸿魁, 张华平, 刘群, 等. 基于层叠隐马尔可夫模型的中文命名实体识别[J]. 通信学报, 2006, 27(2):87-93.

[ Yu H K, Zhang H P, Liu Q, et al. Chinese named entity identification using cascaded hidden Markov model[J]. Journal on Communications, 2006, 27(2):87-93. ] DOI: 10.3321/j.issn:1000-436X.2006.02.013

DOI

[59]
李丽双, 黄德根, 陈春荣, 等. 基于支持向量机的中文文本中地名识别[J]. 大连理工大学学报, 2007, 47(3):126-131.

[ Li L S, Huang D G, Chen C R, et al. Identification of location names from Chinese texts based on support vector machine[J]. Journal of Dalian University of Technology, 2007, 47(3):126-131. ] DOI: 10.3321/j.issn:1000-8608. 2007.03.025

DOI

[60]
邬伦, 刘磊, 李浩然, 等. 基于条件随机场的中文地名识别方法[J]. 武汉大学学报·信息科学版, 2017, 42(2):150-156.

[ Wu L, Liu L, Li H R, et al. A Chinese toponym recognition method based on conditional random field[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2):150-156. ] DOI: 10.13203/j.whugis20141009

DOI

[61]
袁小芳. 基于CRF的城市火灾微博文本地名地址识别与精化处理方法[D]. 江西:江西师范大学, 2020.

[ Yuan X F. CRF-based recognition and refined processing method of city fire microblog text place names and addresses[D]. JiangXi: Jiangxi Normal University, 2020. ]

[62]
沈思, 朱丹浩. 基于深度学习的中文地名识别研究[J]. 北京理工大学学报, 2017, 37(11):54-59.

[ Shen S, Zhu D H. Chinese place name recognition based on deep learning[J]. Journal of Beijing Institute of Technology, 2017, 37(11):54-59. ] DOI: 10.15918/j.tbit1001-0645.2017.11.08

DOI

[63]
邓中亮, 邱德武, 管孟, 等. 一种从文本信息中确定位置信息的方法[P]. 发明专利,201910554771.8. 2019-06-25.

[ Deng Z L, Qiu D W, Guan M, et al. A method for determining location information from text information[P]. Patent, 201910554771.8. 2019-06-25.]

[64]
李霖, 罗振威, 朱海红, 等. 一种面向文本的相对位置信息提取方法[P]. 发明专利,202110479288.5. 2021-04-30.

[ Li L, Luo Z W, Zhu H H, et al. A text-oriented method for extracting relative position information[P]. Patent, 202110 479288.5. 2021-04-30.]

[65]
Batista D S, Silva M J, Couto F M, et al. Geographic signatures for semantic retrieval[C]. Workshop on Geographic Information Retrieval, 2010:18-19.DOI: 10.1145/1722080.1722104

DOI

[66]
蒙文清, 尹章才. 基于地名互现的城市联系强度研究——以湖北省为例[J]. 测绘地理信息, 2020, 45(2):31-34.

[ Meng W Q, Yin Z C. A study on the strength of urban connection based on toponym Co-occurrences:A case study of Hube iProvince[J]. Journal of Geomatics, 2020, 45(2):31-34. ] DOI: 10.14188/j.2095-6045.2018268

DOI

[67]
Santos J, Anastácio I, Martins B. Using machine learning methods for disambiguating place references in textual documents[J]. GeoJournal, 2015, 80(3):375-392. DOI: 10.1007/s10708-014-9553-y

DOI

[68]
Zhao J, Jin P, Zhang Q, et al. Exploiting location information for web search[J]. Computers in Human Behavior, 2014, 30:378-388. DOI: 10.1016/j.chb.2013.04.023

DOI

[69]
Zaila Y L, Montesi D. Geographic information extraction, disambiguation and ranking techniques[C]. Proceedings of the 9th Workshop on Geographic Information Retrieval, 2015:1-7. DOI: 10.1145/2837689.2837695

DOI

[70]
武汉理工大学. 一种基于时间地理学的游记地名消歧方法[P]. 发明专利,202010495378.9. 2020-06-03.

[ Wuhan University of Technology. A method for disambiguation of Travel notes and place names based on time geography[P]. Patent, 202010495378.9. 2020-06-03. ]

[71]
侯东阳, 武昊, 陈军. 时空数据Web搜索的研究进展[J]. 地理信息世界, 2020, 27(4):1-12,21.

[ Hou D Y, Wu H, Chen J. Research Progress on searching spatiotemporal data from Web[J]. Geomatics World, 2020, 27(4):1-12,21. ] DOI: 10.3969/j.issn.1672-1586.2020.04.001

DOI

[72]
Silva M J, Martins B, Chaves M, et al. Adding Geographic Scopes to Web Resources[J]. Computers environment urban systems, 2006, 30(4):378-399. DOI: 10.1016/j.compenvurbsys.2005.08.003

DOI

[73]
Hao C, Winter S, Vasardani M. Georeferencing places from collective human descriptions using place graphs[J]. Journal of Spatial Information Science, 2018, 2018(17):31-62. DOI: 10.5311/JOSIS.2018.17.417

DOI

[74]
Al-Olimat H S, Shalin V L, Thirunarayan K, et al. Towards geocoding spatial expressions (vision paper)[C]. Proceedings of the 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2019:75-78. DOI: 10.13140/RG.2.2.28807.04007

DOI

[75]
马广迪, 杨为琛. 基于CNN-CBIR的遥感图像分类检索方法[J]. 北京测绘, 2021, 35(5):6.

[ Ma G D, Yang W C. Remote sensing image classification and retrieval method based on CNN-CBIR[J]. Beijing Surveying and Mapping, 2021, 35(5):6. ] DOI: 10.19580/j.cnki.1007-3000.20 21.05.014

DOI

[76]
李向阳, 庄越挺, 潘云鹤. 基于内容的图像检索技术与系统[J]. 计算机研究与发展, 2001, 38(3):344-354.

[ Li X, Zhuang Y T, Pan Y P. The technique and systems of content basedimage retrieval[J]. Journal of Computer Research and Development, 2001, 38(3):344-354. ] DOI: 10.3969/j.issn.2095-2104.2013.21.644

DOI

[77]
Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110. DOI: 10.1023/B:VISI.0000029664.99 615.94

DOI

[78]
Bay H, Ess A, Tuytelaars T, et al. Speeded-Up Robust Features (SURF)[J]. Computer Vision Image Understanding, 2008, 110(3):346-359. DOI: 10.1016/j.cviu.2007.09.014

DOI

[79]
Perd'och M, Chum O, Matas J. Efficient representation of local geometry for large scale object retrieval[C]. 2009 IEEE Conference on Computer Vision and Pattern Recognition, 2009:9-16. DOI: 10.1109/CVPR.2009.5206529

DOI

[80]
Razavian A S, Sullivan J, Carlsson S, et al. Visual instance retrieval with deep convolutional networks[J]. ITE Transactions on Media Technology Applications, 2016, 4(3):251-258. DOI: 10.3169/mta.4.251

DOI

[81]
Babenko A, Lempitsky V. Aggregating deep convolutional features for image retrieval[J]. arXiv:1510.07493, 2015.

[82]
Tolias G, Sicre R, Jégou H. Particular object retrieval with integral max-pooling of CNN activations[C]. ICLR 2016 - International Conference on Learning Representations, 2016:1-12. HAL Id: hal-01842218

[83]
Radenović F, Tolias G, Chum O. Fine-tuning CNN image retrieval with no human annotation[J]. IEEE transactions on pattern analysis machine intelligence, 2018, 41(7):1655-1668. DOI: 10.1109/TPAMI.2018.2846566

DOI

[84]
Chu T, Chen Y, Huang L, et al. A Grid Feature-Point Selection Method for Large-Scale Street View Image Retrieval Based on Deep Local Features[J]. Remote Sensing, 2020, 12(23):3978. DOI: 10.3390/rs12233978

DOI

[85]
Cao B, Araujo A, Sim J. Unifying deep local and global features for image search[C]. European Conference on Computer Vision, 2020:726-743. DOI: 10.1007/978-3-030-58565-5_43

DOI

[86]
Mihalcea R, Tarau P. Textrank: Bringing order into text[C]. Proceedings of the 2004 conference on empirical methods in natural language processing, 2004:404-411.

[87]
Jalilifard A, Caridá V F, Mansano A F, et al. Semantic Sensitive TF-IDF to Determine Word Relevance in Documents[M]. Advances in Computing and Network Communications. Springer, Singapore, 2021:327-337. DOI: 10.1007/978-981-33-6987-0_27

DOI

[88]
Wei X, Croft W B. LDA-based document models for ad-hoc retrieval[C]. Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval, 2006:178-185. DOI: 10.1145/1148170.1148204

DOI

[89]
Fu X, Li J, Yang K, et al. Dynamic online HDP model for discovering evolutionary topics from Chinese social texts[J]. Neurocomputing, 2016, 171:412-424. DOI: 10.1016/j.neucom.2015.06.047

DOI

[90]
王坤, 尹章才, 应申, 等. 一种基于地理要素类型的语义关系计算方法[J]. 地理信息世界, 2018, 25(5):55-60.

[ Wang K, Yin Z C, Yin Z, et al. A semantic relation calculation method based on geographic feature types[J]. Geomatics World, 2018, 25(5):55-60. ] DOI: 10.3969/j.issn.1672-1586.2018.05.010

DOI

[91]
Bs A, Peng Y, Zy A, et al. A stream computing approach for live environmental models using a spatial data infrastructure with a waterlogging model case study[J]. Environmental Modelling Software, 2019, 119:182-196. DOI: 10.1016/j.envsoft.2019.06.009

DOI

[92]
Wang Y, Gui Z, Wu H, et al. Optimizing and accelerating space-time Ripley's K function based on Apache Spark for distributed spatiotemporal point pattern analysis[J]. Future Generation Computer Systems, 2019, 105:96-118. DOI: 10.1016/j.future.2019.11.036

DOI

[93]
Yue P, Gao F, Shangguan B, et al. A machine learning approach for predicting computational intensity and domain decomposition in parallel geoprocessing[J]. International Journal of Geographical Information Science, 2020, 34(2):1-32. DOI: 10.1080/13658816.2020.1730850

DOI

[94]
Li H, Chen Y, Deng S, et al. Eigenvector spatial filtering-Based logistic regression for landslide susceptibility assessment[J]. International Journal of Geo-Information, 2019, 8(8):24. DOI: 10.3390/ijgi8080332

DOI

[95]
程朋根, 岳琛, 朱欣焰. 多源数据支持下的城市生态环境评价及其与人类活动关系的研究[J]. 武汉大学学报·信息科学版, 2021,1-14.

[ Cheng P G, Yue C, Zhu X Y. Evaluation of urban ecological environment and its relationship with human activities based on Multi-Source data[J]. Geomatics and Information Science of Wuhan University, 2021,1-14. ] DOI: 10.13203/j.whugis20200382

DOI

Options
Outlines

/

〈 〉