EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 5: 827 - 836

DOI: https://doi.org/10.12082/dqxxkx.2022.210376

Landmark Extraction Method and Personalized Wayfinding Application for We-Map

  • HE Yang , 1, 2, 3 ,
  • YAN Haowen , 1, 2, 3, * ,
  • WANG Zhuo 4 ,
  • WANG Xiaolong 1, 2, 3
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 4. School of Resource and Environmental Science, Wuhan University, Wuhan 430079, China
* YAN Haowen, E-mail:

Received date: 2021-07-14

  Request revised date: 2021-09-09

  Online published: 2022-07-25

Supported by

2021 Central-Guided Local Science and Technology Development Fund of Gansu Province

National Natural Science Foundation of China(41930101)

Gansu Province Department of Education: “Innovation Star” Project of Excellent Postgraduates(2021CXZX-590)

Copyright

Copyright reserved © 2022.
Fold

Abstract

Landmarks play an important role in spatial information transmission, especially for wayfinding navigation. Numerous studies have shown that the inclusion of landmarks in route tasks can effectively reduce steering errors. How to incorporate landmarks into navigation systems and break the barrier of using distance information as the indicator to guide users in wayfinding is currently a difficult problem to solve. And we-map provides a platform for users to produce and disseminate map content. Because we-map does not distinguish between mapmakers and map users, it lowers the threshold for mapping and enables users to have self-make maps. In the process of route mapping, we-map platform can provide a collection of landmarks for users to choose from and use them to complete their wayfinding, enabling the solution to the challenge of incorporating landmarks into navigation systems. In order to extract we-map landmarks accorded with people's spatial cognition, the method of extracting landmarks by user-generated content is proposed. First, there are three indicators (public awareness, city centrality, and individual characteristic value) that are calculated separately, and each of them is obtained by the entropy value method. Then, landmarks are extracted in a hierarchical manner in term of the difference in the significance of landmarks to establish a set of landmarks for serving the users of the we-map. Last, the user-generated landmarks are collected during the process of publishing, sharing, and disseminating the we-map to enrich the landmark library, aiming at realizing secondary dissemination about the extraction of landmarks from user-generated contents. The experiment selects POI data of An Ning District in Lanzhou City to calculate landmark salience, selects landmarks at different levels according to different scales, designs tasks for participants to describe routes and complete connections between landmarks, collects usage landmarks, forms user-generated content to disseminate landmark data, and draws personalized routes that meet different user needs. This study simulates the process of route-finding cartography using landmarks by we-map users to pave the ground for personalized navigation on the we-map platform. The experimental results show that the content generated by using users' shared service data effectively solves the problem of acquiring and timely updating landmark candidate sets, expresses the user's cognitive expressiveness to the greatest extent, and reduces the burden of wayfinding for pedestrians walking out. This study is applied to daily wayfinding, where we-map users participate in constructing and sharing service data, forming spontaneous dissemination of user-generated content, timely update, and dissemination of landmark data, providing reference for rapid we-map drawing, and improving wayfinding efficiency.

Key words： landmark; we-map; POI; spatial cognition; wayfinding; Voronoi diagram; landmarks salience; spatial density clustering

Cite this article

HE Yang , YAN Haowen , WANG Zhuo , WANG Xiaolong . Landmark Extraction Method and Personalized Wayfinding Application for We-Map[J]. Journal of Geo-information Science, 2022 , 24(5) : 827 -836 . DOI: 10.12082/dqxxkx.2022.210376

1 引言

地标最早于1960年由Lynch提出,他将其解释为环境中突出的、易识别的点状参照物[1],可有效减少因模棱两可的几何指示而产生的转向错误[2],相比现有导航系统以街道名称和距离信息为指标引导用户,在路径指引的过程中加以地标辅助解释有助于提高行人的认知程度[3,4]。在路线的特定节点处,特别是重新定向点处,地标使用的频率更高[5],且人们并非随机选择使用,而是更倾向于选择一个显著易识别的地标[6]。用户在徒步旅行时主要依赖的地标类型在不同季节有所差异[7],但不妨碍地标在提高用户效率和满意度方面的优势[8]。时至今日,地标仍被视作空间位置描述的参照物,经常被用于空间推理和路线描述,以及作为沿正确道路行进的依据[9,10,11],路线上的地标和决策点在寻路任务中更有效[12]。众多学者的研究清晰地确立了地标在空间信息理解和传输中的重要地位。
从环境中自动识别并提取既能反映空间组织结构,又能辅助人们寻路导航的地标是未来智能导航系统的基础[13]。依据视觉地标、认知地标和结构地标[14]3项指标, Raubal构造了地标显著度模型判断空间地物是否为合适的地标[15]。但这种简单的度量模型忽略了人、地因素,难以衡量地标辅助寻路的有效性。随后有学者在该模型基础上加入了场景显著度[16],利用贝叶斯网络刻画模型考虑了出行者的场景、任务、目的及出行方式。为了完善地标显著性模型,还可添加个人维度及描述维度解释不同用户的熟悉度和兴趣,表达地标描述的简洁性[17]。基于ID3分类算法和Cobweb聚类算法从空间数据库中自动提取地标[18],但算法所需数据集无法集中获取,收集数据管理维护困难,使该方法难以普及使用。近年来,有学者依据签到属性的差异计算POI显著度[19]并提取地标,该模型能够提取与用户衣食住行等基本签到行为相关的地标,缺失行政、医疗等基础设施机构的显著度信息。如果从地物Voronoi图出发,顾及其空间分布形态和几何特征,可降低地标特征选取的复杂度[20]。以上方法均面向现有的普通电子地图,缺少对地标类型、特征的总结概括和量化,复杂的计算和参数设置加大了空间对象数据采集的困难,且忽略人们对地物的区域性认知,可实施性较差。
将地标纳入导航服务是一个长期的目标,但其实施迄今基本失败,很大程度上是因为获取足够的地标候选数据集存在重大困难[21]。普通电子地图需要考虑复杂的数学规则和专业的地理知识,难以解决这一问题。与现有普通电子地图不同,微地图[22]不区分制图者和使用者,降低制图门槛,基于人们的认知能力表达微内容。因此,本文依据地标的显著度差异将其划分为不同层次,创建服务于微地图用户的地标集,快速选择地标并完成地标间的连线,绘制满足用户不同需求的个性化路线。用户制作及传播微地图的过程中,收集由用户生成的地标,丰富地标库,二次传播,实现由用户生成内容提取地标,表达出符合自身认知的空间位置描述,从而提高用户步行外出的寻路效率。

2 分层提取地标

城市POI数据涵盖了城市各类设施的位置与属性信息,是城市研究的基础性空间大数据[23]。其分布密度、集聚趋势等的表征也是城市中心识别与城市功能区评估的重要技术手段[24]。因而,利用城市POI数据的空间点位信息以及其相邻点间的空间关系,模拟人类活动范围,映射城市活力强度是提取地标的核心思路。本研究实验区域为兰州市安宁区,位于甘肃省中部,地处兰州市西郊,黄河北岸。总面积82.33 km2,辖8个街道,区内有17所高等院校。实验数据以百度地图为数据源,利用 OSpider开源矢量地理数据获取与预处理工具,按行政区划名称自动抓取不同类型的POI数据。
地标能否成为有效的寻路参照物,首先需要被大多数人所熟知,成为人们交流路线和传输信息的工具;其次一个地物的视觉特征、语义特征、结构特征在很大程度上反映了该地物的显著程度;此外,地标的影响范围与它在地理环境中的空间分布紧密相关。本文利用城市POI数据,从公众认知度、城市中心度、个体特征属性值3个方面解释观察者、环境与地标之间的相互作用,以此构建地标的显著度计算模型,依据显著度差异分层提取地标（图1）。
图1 分层提取地标

Fig. 1 Hierarchical extraction of landmarks

2.1 公众认知度计算

空间参考对象的选择与观察者的认知能力密切相关,即在观察者自身的知识、经历、文化背景等影响下对空间对象的解读,基于观察者认知因素评估地标的显著度被称为认知显著度[3,10,25]。尽管关于空间知识的解读和表达能力因人而异,但通过大量的调查能够发现其交集,表征出大众对事物的共同认识程度,即公众认知度,进而促进人们对周围环境的理解和信息传递。考察城市地标的公众认知度,能最大程度地反映用户的空间认知力,即认识事物、表达事物的能力。因此,依据问卷调查,能广泛了解大众对城市各类POI的显著性认知程度。
本次问卷调查对安宁区所有POI类型进行认知度调查,共收到有效数据313份,被试者男女比例接近1:1,年龄集中在青中年,职业分布广泛,且绝大多数人有在该城市5年以上的生活经验。利用min-max标准化对各均值数据做线性变换,归一化至[0,1]区间,得到各类型POI的公众认知度,排序结果见表1。
表1 各类POI公众认知度

Tab. 1 Public awareness of each type of POI

类型 均值 标准差 公众认知度
交通设施 4.6979 0.5779 1.0000
教育培训 4.3959 0.7877 0.8657
购物 4.0117 0.9316 0.6949
旅游景点 3.6745 1.0651 0.5450
生活服务 3.5191 0.8684 0.4759
医疗 3.4340 1.1200 0.4381
酒店 3.4194 1.0899 0.4316
美食 3.2522 1.0048 0.3572
休闲娱乐 3.0411 1.2150 0.2634
政府机构 2.9150 1.1392 0.2073
金融 2.7947 1.2344 0.1538
房地产 2.4487 1.2842 0.0000
表1的统计结果显示,交通设施类的公众认知度最高,符合人们的基本认知习惯;安宁区存在较多高等院校,教育培训类的公众认知度居高,符合当地区域的特点;房地产类型的公众认知度过低,因此不将其作为显著地标。所选数据中,有美食和休闲娱乐等数据的重叠,计算前需预处理,对冗余数据作剔除,只选择POI特征属性值较高的数据,并重分类至公众认知度较高的类别中。最终所选实验区POI数据共609个,可分为11类（图2）。
图2 兰州市安宁区各类POI数量

Fig. 2 The number of various POIs in Anning district, Lanzhou City

2.2 多密度空间聚类方法

POI数据的分布密度是对空间现象的一种场表达,能够反映不同层次的城市中心区。在实际的地理空间中,人类的社会经济活动在不同的空间尺度下,往往表现为若干节点的集聚,并在不同的空间统计单元中形成强度等级各异的集聚中心。人们不仅通过视觉来决定地标的相关性,更多的是通过其结构的突出性来决定[26]。不同区域下聚集了不同的POI中心区,通过多密度空间聚类,能够较全面地反映城市POI的空间分布,表达不同层次中心区POI的显著程度,即城市中心度。
基于密度的聚类方法的主要目标是寻找被低密度区域分离的高密度区域,通过连接密度较大的区域,能够形成不同形状的簇,而且可以消除孤立点和噪声对聚类质量的影响,以及发现任意形状的簇[27]。本文采用OPTICS算法聚类,该算法的核心思想是对每个数据对象存储两个值,核心距离和可达距离。第一阶段计算每个对象的核心距离和可达距离,生成族序;第二阶段进行聚类,在聚类过程中,只需要用到第一阶段所生成的对象之间的族序信息,不再需要其他信息。
核心距离（式（1））：给定一个数据对象集合D,2个参数 ε和MinPts,一个数据对象O,则O的核心距离（core-dist）是使得O成为核心对象的最小半径值（该值小于等于 ε）。
core - dis t ε , MinPts ( O ) = ∞ , rangeQuery ( O , ε ) < MinPts MinPts - dist ( O ) , 其他
式中： rangeQuery ( O , ε ) < MinPts表示O的 ε领域的数据对象个数小于MinPts个,该情况说明O不是一个核心对象,它的核心距离没有定义;反之,当O是一个核心对象时,MinPts-dist（O）表示使得O的 ε领域能够包含MinPts个数据对象的最小半径值。
可达距离（式（2））：给定一个数据对象集合D,2个参数 ε和MinPts,一个数据对象O,则O与另一个数据对象P间的可达距离（reach-dist）是O的核心距离和O与P的欧几里得距离间的较大值。
reach - dis t ε , MinPts ( P , O ) = max ( core - dis t ε , MinPts ( O ) , dist ( P , O ) )
输入：样本集D,邻域半径 ε=46,给定点在 ε领域内成为核心对象的最小领域点数MinPts=150
输出：具有可达距离信息的样本点输出排序
可视化聚类结果如图3所示,按照可达距离的远近划分为5层。可达距离越小,该位置的中心度越高,因此将5层聚类结果按照与可达距离远近呈反比的关系,赋值1~5,值越高表示该POI对象的可达距离越近。归一化到[0,1]区间内,即可得到POI显著度模型的第二个指标：城市中心度。
图3 兰州市安宁区POI数据的多密度空间聚类结果

Fig. 3 Multi-density spatial clustering results of POI data in Anning District, Lanzhou City

2.3 个体特征属性值确定

POI对象的个体特征差异能够反映其在外观方面的显著性,如规模的大小或等级的高低。因此,通过采集和比较其属性特征可以反映POI在个体特征方面的显著性差异。如公园广场等按照占地面积划分;国家规定中华人民共和国旅游景区质量等级划分的景区级别,共分为5级,旅游景点类按此划分即可;酒店等级通常也分为5级,按照星级酒店标准划分即可;娱乐休闲场所等按照连锁店数量或区域范围内同类型数量划分。其中,诸如公园广场和娱乐场所等没有规定标准的类别在划分时,取其划分属性的最大值与最小值,作差除以等级数5,即可得到增长区间大小,完成5个等级的划分。之后在统一的1—5属性值等级区间内,具体针对不同类型量化标准去划分赋值,通过归一化至[0,1]区间内,就可以把不同类型的POI对象量化在一个指标下,得到所有POI对象的特征属性值。

2.4 POI显著度模型

综上,将POI的公众认知度Cog.、城市中心度Cen.和特征属性值Char.进行综合,得到其显著度Sig.,并构建POI显著性度量模型式（3）[28]：
POI _ Sig = w 1 × Cog . + w 2 × Cen . + w 3 × Char .
式中,各指标的权重系数 w 1、 w 2、 w 3的和为1。为了消除度量方法的差异产生的影响,式中3个指标向量的值都需要经过规格化处理,以使其取值区间都为[0,1]。
权重系数能够反映3个指标对地标显著度的不同影响力,表达出用户在选择地标时的偏好,能够体现用户的认知差异。为了提取出符合大众认知的微地图地标,本实验采用熵值法确定权重,熵值法是结合熵值提供的信息值来确定权重的一种研究方法。进行熵值法之前,通常需要对数据进行正向或逆向化,将数据存储为n×m的矩阵A,计算步骤如下：
（1）将各指标数据进行标准化处理, x ij表示矩阵A的第i行第j列元素。
x ij = x ij - min x j max x j - min x j
（2）计算第j项指标下第i个记录所占比重。
P ij = x ij ∑ 1 n x ij j = 1,2 , 3 , … , m
（3）根据信息论中信息熵的定义,求个指标的信息熵。
E j = - ln n - 1 ∑ i = 1 n P ij ln P ij
（4）计算各指标的权重。
w j = 1 - E j k - ∑ E j j = 1,2 , 3 , … , m
熵值（Entropy）是一种物理计量单位;熵越大代表数据越混乱,携带的信息越少,效用值越小,因而权重也越小。利用SPSS软件量纲处理后的权重计算结果如表2所示。从表2可以得出：SSN_特征属性值,SSN_城市中心度,SSN_公众认知度总共3项,它们的权重值分别是0.27,0.24,0.49。将其代入POI显著度模型计算,得到安宁区所有POI对象的显著度,显著度越高的地标,其特征等级、城市中心度、特征属性值、公众认知度等一系列表征值也越高,这一结果符合人们的空间认知。如一级地标包含9所教育高校和2个交通设施类地标,符合安宁区具有多所大学这一特点。表3给出了安宁区部分POI显著度计算结果。
表2 熵值法计算权重结果汇总

Tab. 2 Summary of the results of calculating weights by the entropy value method

项 信息熵值 信息效用值 权重系数/%
SSN_特征属性值 0.9923 0.0077 26.91
SSN_城市中心度 0.9930 0.0070 24.44
SSN_公众认知度 0.9861 0.0139 48.65
表3 兰州市安宁区部分POI显著度计算结果

Tab. 3 Calculation results of the significance of some POIs in Anning District, Lanzhou City

序号 名称 类别 特征等级 特征属性值 可达距离/m 聚类等级 公众认知度 城市中心度 地标显著度
1 西北师范大学-第二附属中学 教育培训 5 1.0 308.0 4 0.8657 1.0 0.9342
2 星星充电站 交通设施 5 0.8 783.7 3 1.0000 0.8 0.9150
3 兰州交通大学 教育培训 5 0.9 411.4 4 0.8657 0.9 0.8917
4 怡美佳超市 购物 5 1.0 149.9 5 0.6949 1.0 0.8505
5 古法馆 旅游景点 5 1.0 842.3 3 0.5450 1.0 0.7771
6 漫客洗衣 生活服务 5 1.0 218.6 5 0.4759 1.0 0.7432
7 康怡齿科中心 医疗 5 1.0 583.1 3 0.4381 1.0 0.7247
8 兰州远方家庭公寓 酒店 5 1.0 308.0 4 0.4316 1.0 0.7215
9 灸草堂艾灸推拿调理馆 休闲娱乐 5 1.0 143.7 5 0.2634 1.0 0.6391
10 桃海小吃一条街 美食 5 1.0 155.4 5 0.3572 1.0 0.6850
11 一口香牛肉面 美食 5 1.0 391.3 4 0.3572 1.0 0.6850
12 中国农业银行 金融 5 0.8 695.0 3 0.1538 0.8 0.5004

3 创建微地图用户的地标集

分层创建地标集,能够反映地标在不同空间尺度下的位置关系。当一个人在陌生环境中寻路时,视觉吸引力会占据较大比重,侧重于观察局部地标;而对当地通勤者来说,由于熟悉环境,会优先选择时间最短的路径选择,且地标的空间分布会占据较大考虑比重,侧重于观察全局地标[29]。将地标按照显著度大于0.8910、0.7569、0.6870、0.6115、0分为5层地标,每一层分别为11、50、103、180、265个,创建服务于微地图用户的地标集, 图4为可视化结果。
图4 兰州市安宁区各层地标分布

Fig. 4 Distribution of landmarks by level in Anning District, Lanzhou City

地标层级越高,影响的区域层次也越深。低层级的地标无法引导高层次区域的路线任务,但高层级的地标可以覆盖较低层次的区域。一级地标不仅在全局范围内辅助路线规划,对局部区域寻路决策也帮助定位引导。如兰州交通大学作为一级地标,在整个兰州市的空间定位是安宁区的一所高校,在整体定位时表达了行政区划;在安宁区的空间定位是位于安宁西路街道,邻近金牛美食街,与几所高校相连的学校,相互定位,在局部区域表达了路线推理决策。
同层地标不同距离间生成的链接关系可表达符合人们空间认知规律的位置判断[30]。远处的地标用于整体定位,近处的地标用于局部决策,人们在不同环境下,由于需求不同,优先选择的地标层次也将不同。显著度高的地标在局部区域仍然具有决策辅助的作用,显著度低的地标在局部范围内同样具有一定影响力,优先选择显著度高的地标决定路线规划,在特定环境下选择局部地标来判断位置。图4(b)—图4(f)表示了以各层地标为种子,以其显著度为权值生成的不同层次地标的加权泰森多边形（Voronoi图）,能够直观地反映各个地标的指代区域,即各地标的影响范围。地标的影响范围越大,认知难度越小。利用Voronoi图表达各层地标间的关系,可在地标辅助用户寻路时,推荐出接近目的地、满足用户需求的个性化路线,这样的路径引导高效且适用,符合人们的空间认知习惯。

4 地标连线寻路应用

本研究针对步行外出的用户,因此实验设计上不采取长距离的任务测试,以一站公交站的距离为实验路线长度。实验路段无公共交通设施,行人通常采用步行,比较符合实际出行情况。实验前收集了受试者的基本背景信息,包括对安宁区的熟悉程度,是否存在无导航设备寻路障碍等。这些受试者年龄在18~28岁之间,男女比例接近1:1,日常出行采用步行方式较多,符合实验需求。
实验任务分为2部分：① 受试者从起始点步行前往目的地,途径用于路线决策和转向定位的地标,口述并记录下来;② 受试者完成前一任务后,回忆并绘制路线草图,实验任务结束。完成该实验任务的参与者共计16人,完成任务均有奖励。测试起点为西北师范大学,终点为嘉峪关烤肉宝石花路店,测试路线总长905 m,沿路伴有2个路线决策点（图5）,路线穿越商业步行街,需要通过天桥和红绿灯十字路口,全程大约需要12 min,适合步行。在第一部分任务中,要求测试者描述周围环境中显著的所有事物,并说明记录他们的位置;在决策口选择路线时,要求说明选择理由并详细描述选择的路线情况。
实验设计的3条路线中,与传统电子地图相比添加了路线1,其余2条路线均为百度地图推荐路线。线路1：道路宽敞,沿路布满商铺,行走方向逆行,行人较多;线路2：花费时间少,但拥挤且步行环境较差;线路3：临靠主干道,沿路有银行、超市,多药店、酒吧,吸引力不高。实验结果显示有62.5%的人选择了路线2,其余受试者选择了路线1,值得注意的是,未有受试者选择路线3。其中,80%的男性选择路线2,理由是步行时间短;与男性选择相反,66.67%的女性选择了路线1,理由是喜欢具有可逛性的道路,且比较习惯走这条路。性别差异导致路线选择的不同,男性比女性更倾向于目的性,女性则需要更多的安全感,偏向于习惯选择,更注重步行环境。由于路线距离较短,受试者的描述词大多为“直走”、“在我左手边”、“正对面看到”、“过马路”等,在描述显著事物时,记录了不同类别的地标（表4）。
图5 实验设计路线示意图

注：底图来源于百度地图。

Fig. 5 Schematic diagram of the experimental design route

表4 路线任务描述时最常用的地标

Tab. 4 Most common landmarks used in route task description

人数/人 地标 类型 是否在决策点处 层级
10 银行 金融 否 5
14 康桥国际 购物 是 3
12 旅馆 酒店 否 4
2 小米之家 生活服务 否 5
10 消防队 政府机构 是 1
5 肯德基 美食 否 5
13 斑马线 交通设施 是 0
8 小笼包 美食 否 4
12 红绿灯 交通设施 是 0
10 大黄蜂 标志性地物 否 0
7 快递驿站 生活服务 否 4
12 黑牛 标志性地物 是 0
14 兰州交通大学 教育培训 是 1
在实验过程中记录的地标,划分到相应的POI类别中,与决策点处作叠加分析,发现受试者描述次数多的地标往往位于具有决策和转向定位点处,这符合人们的认知水平和思维习惯。由于该实验路线选择在穿越步行街的路段,距离短,描述时所用地标层级多属低层地标,仅有2个一级地标,且在决策点处,用于整体定位。普通电子地图仅通过现有地标提取模型获取新地标,地标类别不全面,无法及时补充路线规划中使用的地标,如“大黄蜂”和“黑牛”2个标志性地物,未能从POI类别中提取到地标集中,不属于城市标志性建筑,但在局部区域具有辨识度,且被周围长期居住的人们所熟知,在局部寻路时经常被用来决策定位。再如斑马线和红绿灯这样的交通标识也未被具体包含在交通设施类别中,但具有交通导向,属于功能性地标,在寻路时能够起到至关重要的作用。
与提取的各层地标相比,人们在小区域范围内日常寻路时,用于辅助寻路的地标与其所属层级没有绝对关系,路线选择反而极大影响了地标的选取。局部区域和特定环境下,低层地标使用更多,更加精确地表达了路线变化和定位方向,高层级的地标并非没有起到作用,而是定位了整体规划,二者相辅相成,决策了步行路线。在任务②中,要求受试者回忆路线并绘制草图,用户自制地图能够直观地表达出受试者的记忆点和需求,利用这种方式调查步行外出用户对地标的感知记忆力,了解人们期望得到何种风格的地图。在现有地标显著性计算模型上,通过微地图提供的自助制图平台,实现及时更新地标集并使用,达到由用户生成内容提取地标的目的,比传统方法提取的地标更符合人们的空间认知,并提高寻路效率。图6总结绘制了出三种类型的微地图,满足不同用户的需求：① “干饭人”路线：路线距离短,花费时间少,快速直达目的地;② “逛吃人”路线：沿路布满商铺,吸引力较高,可逛性十足;③ “办业务”路线：沿路多银行,且有3条路线中唯一的大型超市,满足一些用户办业务的需求。使用提取的地标,简单连线,完成了同一起止点的不同路线,实例化微地图用户的地标使用。
图6 由用户生成内容抽象的个性化微地图

Fig. 6 Personalized we-map abstracted by user-generated content

5 结束语

本文利用POI数据构建地标显著度模型,分层创建地标集,在用户制作及传播微地图的过程中,收集使用数据,由用户通过分享服务的数据而生成地标内容,实现微地图用户的地标采集及应用。首先,分别计算3个指标,用熵值法确定权重,降低了传统方法中主观赋值的不确定性;然后,根据显著度差异将地标分层,生成各层地标集,形成多尺度表达;最后,模拟微地图用户的制图过程,为微地图平台实现个性化寻路导航铺垫基础。
地标的显著度除了本文研究的3个因素外,还应考虑其他可变因素。例如在白天,行人可以感知到任何视觉质量,但在夜晚,只能感知到环境中被照亮的部分,光照可能会随时间而改变,具有视觉变化的地标会随时间的不同而具有不同的显著性。此外,微地图致力于个性化服务,由用户生成内容制图并传播,达到多维传播的效果,需要更具个性化的地图服务。未来研究工作还会针对不同时间段采用不同的光感地标、针对有寻路障碍的人设计情感地标等,都需自动集成到微地图平台,满足不同需求的寻路用户,提高寻路效率,丰富当前的导航系统。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Lynch K. The image of the city[M]. Cambridge: The MIT Press, 1960.

[2]
Ross T, May A, Thompson S. The use of landmarks in pedestrian navigation instructions and the effects of context [C]. International Conference on Mobile Human-Computer Interaction. Springer, Berlin, Heidelberg, 2004:300-304. DOI: 10.1007/978-3-540-28637-0_26

DOI

[3]
柳春生, 任福, 杜清运, 等. 基于社交网络数据的地标显著度模型构建与应用[J]. 地理信息世界, 2019, 26(1):127-131,138.

[ Liu C S, Ren F, Du Q Y, et al. Construction and application of landmarks salience degree model based on social network data[J]. Geomatics World, 2019, 26(1):127-131,138. ] DOI: CNKI:SUN:CHRK.0.2019-01-025

DOI

[4]
陈玥璐, 武刚, 陈飞翔. 基于地标的行人导航路径引导方法[J]. 地理与地理信息科学, 2015, 31(1):17-22.

[ Chen Y L, Wu G, Chen F X. Route directions method of pedestrian navigation based on landmark[J]. Geography and Geo-Information Science, 2015, 31(1):17-22. ] DOI: 10.3969/j.issn.1672-0504.2015.01.004

DOI

[5]
Rehrl K, Häusler E, Leitinger S. Comparing the effectiveness of GPS-enhanced voice guidance for pedestrians with metric-and landmark-based instruction sets [C]. International Conference on Geographic Information Science. Springer, Berlin, Heidelberg, 2010:189-203. DOI: 10.1007/978-3-642-15300-6_14

DOI

[6]
Goetze J, Boye J. Learning landmark salience models from users' route instructions[J]. Journal of Location Based Services, 2016, 10(1):47-63. DOI: 10.1080/17489725.2016.1172739

DOI

[7]
Sarjakoski L T, Kettunen P, Flink H M, et al. Landmarks and a hiking ontology to support wayfinding in a national park during different seasons[M]. Cognitive and Linguistic Aspects of Geographic Space. Springer, Berlin, Heidelberg, 2013:99-119. DOI: 10.1007/978-3-642-34359-9_6

DOI

[8]
Michon P E, Denis M. When and why referring to visual landmarks in direction giving[J]. Spatial Information Theory: Cognitive and Computational Foundations of Geographic Information Science, 2001:292-305.

[9]
May A J, Ross T, Bayer S H, et al. Pedestrian navigation aids: information requirements and design implications[J]. Personal and Ubiquitous Computing, 2003, 7(6):331-338. DOI: 10.1007/s00779-003-0248-5

DOI

[10]
Denis M. The description of routes: A cognitive approach to the production of spatial discourse[J]. Cahiers De Psychologie Cognitive, 1997, 16(4):409-458. DOI: 10.1006/brln.1997.1816

DOI

[11]
Weng M, Xiong Q, Kang M J. Salience indicators for landmark extraction at large spatial scales based on spatial analysis methods[J]. ISPRS International Journal of Geo-information, 2017, 6(3):72. DOI: 10.3390/ijgi6030072

DOI

[12]
Yesiltepe D, Conroy Dalton R, Ozbil Torun A. Landmarks in wayfinding: A review of the existing literature[J]. Cognitive Processing, 2021, 22(3):369-410. DOI: 10.1007/s10339-021-01012-x

DOI PMID

[13]
智梅霞, 贾奋励, 田江鹏, 等. 显著度模型的地标提取方法综述[J]. 测绘科学, 2017, 42(4):48-54,67.

[ Zhi M X, Jia F L, Tian J P, et al. Review of the research progress in extracting the landmark based on salience model[J]. Science of Surveying and Mapping, 2017, 42(4):48-54,67. ] DOI: 10.16251/j.cnki.1009-2307.2017.04.009

DOI

[14]
Sorrows M E, Hirtle S C. The nature of landmarks for real and electronic spaces[M]//Spatial Information Theory. Cognitive and Computational Foundations of Geographic Information Science. Berlin, Heidelberg: Springer Berlin Heidelberg, 1999:37-50. DOI: 10.1007/3-540-48384-5_3

DOI

[15]
Raubal M, Winter S. Enriching wayfinding instructions with local landmarks [C]. International Conference on Geographic Information Science. Springer, Berlin, Heidelberg, 2002:243-259. DOI: 10.1007/3-540-45799-2_17

DOI

[16]
Caduff D, Timpf S. On the assessment of landmark salience for human navigation[J]. Cognitive Processing, 2008, 9(4):249-267. DOI: 10.1007/s10339-007-0199-2

DOI PMID

[17]
Nuhn E, Timpf S. An overall framework for personalised landmark selection [C]. LBS 2018: 14th international conference on location based services. Springer, Cham, 2018:231-253. DOI: 10.1007/978-3-319-71470-7_12

DOI

[18]
Elias B. Extracting landmarks with data mining methods[M]//Spatial Information Theory. Foundations of Geographic Information Science. Berlin, Heidelberg: Springer Berlin Heidelberg, 2003:375-389. DOI: 10.1007/978-3-540-39923-0_25

DOI

[19]
王明. 基于位置签到数据的城市地标提取与商圏挖掘研究[D]. 武汉:武汉大学, 2015.

[ Wang M. Research on urban landmark extracting and commercial area mining with check-in data[D]. Wuhan: Wuhan University, 2015. ]DOI: CNKI:CDMD:1.1016.015905

DOI

[20]
李佳田, 吴华静, 高鹏, 等. 一种复合Voronoi几何特征的地标提取新方法[J]. 武汉大学学报·信息科学版, 2020, 45(9):1448-1454.

[ Li J T, Wu H J, Gao P, et al. Landmark extraction via composite features of voronoi diagram[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1448-1454. ] DOI: CNKI:SUN:WHCH.0.2020-09-015

DOI

[21]
Wolfensberger M, Richter K F. A mobile application for a user-generated collection of landmarks [C]. International symposium on web and wireless geographical information systems. Springer, Cham, 2015:3-19. DOI: 10.5167/uzh-111117

DOI

[22]
闫浩文, 张黎明, 杜萍, 等. 自媒体时代的地图:微地图[J]. 测绘科学技术学报, 2016, 33(5):520-523.

[ Yan H W, Zhang L M, Du P, et al. We-map: A new type of map in the era of we media[J]. Journal of Geomatics Science and Technology, 2016, 33(5):520-523. ]

[23]
迟璐, 宋伟东, 朱霞. 城市POI的空间数据分析与可视化表达[J]. 测绘与空间地理信息, 2020, 43(2):109-113,117.

[ Chi L, Song W D, Zhu X. Spatial data analysis and visualization of urban POI[J]. Geomatics & Spatial Information Technology, 2020, 43(2):109-113,117. ]

[24]
康雨豪, 王玥瑶, 夏竹君, 等. 利用POI数据的武汉城市功能区划分与识别[J]. 测绘地理信息, 2018, 43(1):81-85.

[ Kang Y H, Wang Y Y, Xia Z J, et al. Identification and classification of Wuhan urban districts based on POI[J]. Journal of Geomatics, 2018, 43(1):81-85. ] DOI: 10.14188/j.2095-6045.2016352

DOI

[25]
Winter S, Raubal M, Nothegger C. Focalizing measures of salience for wayfinding[M]//Map-based Mobile Services. Berlin/Heidelberg: Springer- Verlag,: 125-139. DOI: 10.1007/3-540-26982-7_9

DOI

[26]
von Stülpnagel R, Frankenstein J. Configurational salience of landmarks: An analysis of sketch maps using Space Syntax[J]. Cognitive Processing, 2015, 16(1):437-441. DOI: 10.1007/s10339-015-0726-5

DOI

[27]
杨小兵. 聚类分析中若干关键技术的研究[D]. 杭州:浙江大学, 2005.

[ Yang X B. Research of key techniques in cluster analysis[D]. Hangzhou: Zhejiang University, 2005.

[28]
赵卫锋, 李清泉, 李必军. 利用城市POI数据提取分层地标[J]. 遥感学报, 2011, 15(5):973-988.

[ Zhao W F, Li Q Q, Li B J. Extracting hierarchical landmarks from urban POI data[J]. Journal of Remote Sensing, 2011, 15(5):973-988. ] DOI: 10.11834/jrs.20110173

DOI

[29]
Steck S D, Mallot H A. The role of global and local landmarks in virtual environment navigation[J]. Presence: Teleoperators and Virtual Environments, 2000, 9(1):69-83.DOI: 10.1162/105474600566628

DOI

[30]
陈香, 李晓明, 詹然, 等. 从城市兴趣点中提取多层次地标方法探究[J]. 测绘与空间地理信息, 2015, 38(10):129-132,136.

[ Chen X A, Li X M, Zhan R, et al. Studyingon extracting hierarchical landmarks from urban POI data[J]. Geomatics & Spatial Information Technology, 2015, 38(10):129-132,136. ] DOI: 10.3969/j.issn.1672-5867.2015.10.042

DOI

Options
Outlines

/

〈 〉