EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 1: 85 - 98

DOI: https://doi.org/10.12082/dqxxkx.2024.230069

Points-of-Interest Tag Cloud Centered on the User's Geographic Location

  • CHENG Xiaoqiang , 1, 2 ,
  • LIU Zhongyu , 3, * ,
  • WU Huayi 3 ,
  • TANG Lingjun 1
Expand
  • 1. Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen 518034, China
  • 2.Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062, China
  • 3.State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430072, China
* LIU Zhongyu, E-mail:

Received date: 2023-02-15

  Revised date: 2023-07-24

  Online published: 2024-03-26

Supported by

Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources(KF-2021-06-109)

Fold

Abstract

Taking Location-Based Services (LBS) as the study context, to address the limitation of visualizing Points of Interest (POI) on conventional maps, a novel tag cloud called “LBS tag cloud” is proposed, and a corresponding generation method based on tag radial displacement is designed in this study. The main innovation of the LBS tag cloud is the incorporation of a layout center into the regular tag cloud and determination of the placement of the tags according to the spatial relationship between the tags and the center. The generation method designed in this paper is outlined as follows: first, the geographical location of the LBS user is used as the layout center; then, the text tag is generated based on the name of the POI, and visual variables such as font size and color of the tag are determined according to the attributes of the POI; and finally, the initial placement position of the tag is calculated according to the relationship between the tag and the center, and the tag is then displaced radially from the initial placement position to a position where there is no overlap with other tags. During the displacement, the order of near and far is ensured based on the angular adjacent relationship. The tag collision detection efficiency is improved by using a quadtree to approximate the glyph outline. Taking the POI of scenic spots as an example, we discuss the usability and scalability of the LBS tag cloud in three scenarios. The results show that compared with conventional maps, the LBS tag cloud can display more POI and effectively highlight the information that users care about, such as the popularity, rating, and travel time of POI. Although the LBS tag cloud contains a certain distance deformation, the synergy of multiple visual variables effectively alleviates the cognitive error caused by the distance deformation. In summary, the LBS tag cloud can completely and intuitively represent the spatial distribution, multi-dimensional attributes of POI, and their relationship with the user's location. It is a new visualization form suitable for users to recognize the surrounding environment efficiently.

Key words： location-based services; point of interest; tag cloud; tag map; central map; radial displacement; visualization; geovisualization

Cite this article

CHENG Xiaoqiang , LIU Zhongyu , WU Huayi , TANG Lingjun . Points-of-Interest Tag Cloud Centered on the User's Geographic Location[J]. Journal of Geo-information Science, 2024 , 26(1) : 85 -98 . DOI: 10.12082/dqxxkx.2024.230069

1 引言

随着移动互联网及定位技术的发展，基于位置的服务（Location-Based Service，LBS）已成为最受欢迎的空间信息服务[1]。在LBS提供的数据中，承载了具体社会功能的兴趣点往往是用户关注的焦点，如餐馆、酒店、停车场等[2]。但兴趣点类型和数量众多，属性信息繁杂且空间分布具有高度异质性，用户在探索周边兴趣点时常常面临信息过载的难题。针对此问题，有研究关注兴趣点的检索或推荐，通过过滤不相关的兴趣点实现信息精简[3-4]；另一部分研究则关注兴趣点的视觉表达，利用空间可视化等方法构建适宜用户认知的交互形式[5-6]。本文聚焦于后者，提出了一种基于标签云的兴趣点可视化方法。
目前LBS场景下的兴趣点可视化大多是基于地图的。地图使用图形符号及名称注记标识兴趣点，可直观表达兴趣点在用户周边的空间分布情况。然而此类方法并不能有效满足LBS用户对周边兴趣点的探索需求，主要体现在：① 地图难以兼顾全局上下文与局部细节[7]，即“小比例尺可展示兴趣点的分布全貌，但无法顾及局部细节；大比例尺可表达局部的分布细节，又欠缺了对整体和全局的把握”。该问题在兴趣点范围较广且分布稀疏时尤为突出； ② 基于欧氏距离的地图难以准确表达用户与兴趣点之间的“非欧氏”关系，如路网距离[8]、可达性[9]等。等值（时）线可以辅助表达用户与兴趣点的各种关系，但多模态等值线计算复杂[10]，在LBS应用中并不多见。在基于地图的兴趣点可视化研究中，研究者设计了选取[11]、聚合[12]、移位[13]、密度拟合[14]、分页表达[15]、多层次组织[16]等多种方法实现兴趣点的清晰表达，但较少关注前文所述的2个问题。因此，针对上述问题并结合LBS用户的信息探索需求，对兴趣点可视化做进一步研究具有重要的研究意义及应用价值。
标签云（又称词云）是一种直接使用文字符号（或文字标签）进行视觉表达的可视化方法，常用于表示文本资料中的主题词或关键词[17]。基本原理是根据主题词的类别、出现频率及重要性等，为每个主题词对应的标签赋予相应的字号、字重、颜色及字体方向等视觉属性，并将标签无重叠的展布于二维或三维空间。已有研究表明标签云可帮助用户快速理解文本资料的主干信息[18]，并进一步探讨了一系列改善标签云认知效果的方法[19-20]，部分研究还结合具体场景设计了各种标签云的变体，如SparkClouds[21]， PyramidTags[22]等。有观点认为标签云的起源是巴黎心象地图[23]，但早期的标签云并未与地理信息有深度结合，主要用于文本资料可视化[24]。近年来，社交媒体生成了大量与地理位置关联的文本资料或标签，研究者开始将标签云与地图结合，设计了多种表达特定区域内主题内容的标签地图[25-26]，如层叠式标签地图[27]、关联式标签地图[28]、内置式标签地图[29-30]与变体式标签地图[26]。从已有研究来看，层叠式与内置式标签地图拥有不错的空间认知效果[31-32]，积累了一批自动化的标签地图生成工具，如Taggram[33]， Tag@Map[34]等，并成功应用于地标[33]、姓氏[34]、社交媒体[35]及生物物种[36-37]等多种信息的表达。目前大部分标签地图以定性数据、文本标签或新闻热词为主，较少涉及地理目标的可视化。
经初步分析，标签云可以较好匹配LBS场景下兴趣点的可视化需求。首先，文字符号的辨识度高。虽然缺少图形符号的简约与形象，但文字符号无需符号解译，直接表达兴趣点名称，具有更高的辨识度。其次，标签可融合多种视觉变量，充分表达兴趣点丰富的语义属性。再次，标签云布局紧凑，信息密度高，适合在移动设备上展示。最重要的是，标签具有位置和范围，虽然这个位置一般是随机的，但这也恰恰提供了与地理信息中的“位置”进行映射的基础。基于此，本文尝试利用标签云表达兴趣点：基于兴趣点名称生成标签，然后建立兴趣点属性与标签视觉属性之间的映射关系，最后基于兴趣点和用户位置的关系对标签进行摆放和布局，完成标签云构建。本文的研究将进一步丰富标签云在地理信息可视化的应用场景。

2 研究方法

2.1 设计思路

LBS用户习惯以自身位置为中心探索周边的兴趣点，在此习惯的驱动下，大部分面向LBS的可视化均采用了“中心化”式的布局方案，即围绕一个中心点构建输出图形[7,38-39]。本文在标签云中引入中心化式的布局方案，设计了一种以用户地理位置为中心的兴趣点标签云（简称LBS标签云）。LBS标签云以用户位置为布局中心点，将兴趣点转换为标签后环绕中心点摆放；利用标签的字号、字色来直观表达兴趣点的属性。需要注意的是，该方法并不是将标签放置在地图上，而是以中心点为参照，将标签摆放在空白画布上。具体设计思路如下：
（1）中心化布局。将用户位置作为LBS标签云的布局中心点，标签摆放在中心点周边。标签应紧凑摆放，以容纳更多的兴趣点；标签之间不能嵌套、重叠或压盖。
（2）利用文字标签的视觉变量表达兴趣点属性。文字标签本身适合表达定名量，同时又拥有适合表达有序量、间隔量、比率量的视觉变量，如图 1中的位置、字色、字号、字重等。根据可视化需求建立兴趣点属性与视觉变量的映射关系，如字号是标签云中最显著的视觉变量，一般用来表达兴趣点最受关注的属性：吸引力（或受欢迎度）。兴趣点是一种典型的空间场所，由地名来指代，承载了一定的社会功能，因此兴趣点的属性与场所的语义信息类似，也可划分为两类：描述自身属性的“一阶属性”，如名称、功能、评分、情感等；描述兴趣点之间关联特征的“二阶属性”，如空间关系、空间交互等[40]。两类属性均可与视觉变量建立映射，具体方法可采用分级分类映射或连续插值映射。
图1 文字标签常用的视觉变量

Fig. 1 Visual variables commonly used for text tags

（3）基于极坐标进行标签定位。以中心点为极点，根据兴趣点和中心点的距离计算径向坐标，根据二者的方向计算角坐标，确定标签的摆放位置。图2（a）使用地图表达了用户位置和3个兴趣点。图2（b）以游乐园为例展示了径向坐标r和角坐标φ的计算。r值决定标签与中心点的距离及摆放优先级； φ值决定标签摆放的方向。初步生成的LBS标签云如图2（c）所示，标签与中心点的相对方向保持不变，与中心点的距离由R1和R2两个初始摆放半径决定：科技馆（r值最小）贴近中心点摆放，博物馆摆放在R1之外，距离最远的游乐园（r值最大）摆放在R2之外。这样的布局方式符合现实世界的客观规律，也迎合了人们在常规地图认知中形成的习惯。用户可从图中快速获知：博物馆最受欢迎，但距离稍远；科技馆的距离最近，但吸引力弱于博物馆；游乐园的距离最远，吸引力也最低。
图2 设计思路示意

注：r表示游乐园的径向坐标; φ表示游乐园的角坐标; R1和R2表示初始摆放半径。

Fig. 2 Schematic diagram of the design idea

（4）标签径向移位避免压盖冲突。中心点周边的布局空间非常有限，距离最近的标签优先摆放后，距离稍远的同方向标签就无法正常摆放。常规标签云采用固定半径或螺旋线旋转的方式探测可用空间，如图3所示。图3（a）在科技馆方向模拟新增了2个距离稍远的兴趣点。图3（b）是按照固定半径旋转探寻可用空间的结果：距离最近的科技馆摆放完毕后，距离稍远的音乐厅和少年宫在贴近中心点的区域已无法摆放，只能按逆时针方向旋转并探寻可用空间，并进一步影响了博物馆的摆放。该方法生成的标签云布局紧凑，但无法保持兴趣点的相对位置关系，原本邻近的科技馆和少年宫被摆放于中心点的两侧，容易误导用户。本文采用标签径向移位的方法来探测可用空间。如图3（c）所示，音乐厅和少年宫沿各自的φ值向外径向移动，在拥有足够的摆放空间时停止移动。该方法在一定程度上保持了兴趣点的相对位置关系，但改变了兴趣点的径向坐标，产生了距离变形。
图3 标签径向移位示意

Fig. 3 Schematic diagram of the radial displacement of the tag

（5）基于标签相邻关系确保标签距离远近顺序。在标签摆放时，应遵循“距离近的贴近中心点摆放，距离远的则远离摆放”的基本原则。但兴趣点在用户周边分布不均匀，某些方向分布密集，会有大量标签在该方向竞争摆放空间，标签径向移位的次数更多、距离更远；某些方向分布稀疏，标签很容易获得足够的摆放空间，并不需要太多次径向移位。因此，不同方向的标签产生的距离变形是不一致的，也意味着不同方向标签的距离远近不具有可比性。但对同方向或相邻方向的标签，应确保正确的距离远近顺序，所以在摆放新标签时，先统计相邻方向已摆放标签的最大移位距离，并按此距离调整新标签的初始摆放半径。设计如下策略来检索相邻方向标签：计算中心点到已摆放标签外接矩形4个角点的角坐标，基于角坐标的最小值与最大值求算该标签覆盖的角度范围，如果新标签的角坐标位于该范围以内，表示二者是相邻方向标签。如图 4所示，图中已摆放了2个标签，科技馆和博物馆。由于二者方向不同，所以无法直接比较他们距中心点的远近。科技馆的角度覆盖范围为α，新标签A的角坐标位于α以外，所以标签A与科技馆不相邻，摆放A时无需考虑科技馆；而新标签B的角坐标位于α以内，所以B与科技馆是相邻标签，应摆放在比科技馆更远的位置。如果B的径向坐标和科技馆的径向坐标差值较小，可以贴近科技馆摆放；如果差值大于阈值 Dfar（Dfar用来近似模拟人们空间认知中的“远”，如10 km或60 min），表示B应适当远离科技馆摆放，可在科技馆移位距离的基础上增加一定的距离。
图4 相邻方向标签的示意

注:科技馆的角度覆盖范围为a,新标签A的角坐标位于a以外,故二者不相邻;新标签B的角坐标位于a以内,二者为相邻标签。

Fig. 4 Schematic diagram of tags with adjacent angles

2.2 LBS标签云的布局算法

2.2.1 算法流程

基于上述思路，本文设计了一种基于标签径向移位的LBS标签云布局算法，技术路线图如图5所示。算法采用了“贪婪式”的布局策略，在无足够摆放空间时，将标签按一个固定步长向外移动，然后再探测空间是否足够，如果足够则完成摆放，反之则继续移动。算法的输入是一个中心点和一个数量为n的兴趣点列表。算法具体流程如下：
图5 算法采用的技术路线

Fig. 5 Technical flowchart of the algorithm

步骤（1）：画布初始化。初始一个宽度为w和高度为h的空白画布。
步骤（2）：标签初始化。基于中心点的文本生成中心词，放置于画布中心(w/2, h/2)，并将中心词加入已摆放标签列表TagListplaced。以兴趣点的名称或其他属性作为文本内容创建兴趣点标签，得到未摆放标签列表TagListunplaced = [Tag1, Tag2, Tag3, …, Tagn]。
步骤（3）：视觉变量映射。基于兴趣点的属性确定未摆放标签列表中标签的视觉变量，包括字体、字号、字色等。
步骤（4）：标签位置计算。基于兴趣点的地理坐标计算标签的初始摆放半径。计算每个兴趣点到中心点的欧氏距离r（也可采用其他类型距离）和相对于中心点的角度φ，按r值对TagListunplaced进行升序排序，并统计所有r值的最小值rmin与最大值rmax。rmin对应的标签贴近画布中心摆放，rmax对应的标签离画布中心最远，设为画布高度的1/4。按式（1）计算标签i的初始摆放半径Ri：
R i = r i - r m i n r m a x - r m i n · h · 1 4
式中：Ri为标签i的初始摆放半径；ri为标签i的径向坐标；rmin为所有标签径向坐标的最小值；rmax为所有标签径向坐标的最大值；h为画布高度。
步骤（5）：逐一摆放标签。如果TagListunplaced不为空，则取出第1个标签Tag1，开始摆放。
① Tag1的径向坐标为r1，角坐标为φ1，计算初始摆放半径为R1。
② 修正初始摆放半径。根据相邻方向已摆放标签的最远摆放半径修正初始摆放半径。从TagListplaced检索与该标签相邻的已摆放标签，并统计得到最大径向坐标rmax与对应的最远摆放半径Rmax。如果R1 < Rmax，则R1 = Rmax；如果r1-rmax > Dfar, 则R1 = Rmax + h/4。按照φ1和修正后的R1将Tag1摆放到画布中。
③ 标签压盖检测。计算Tag1是否压盖TagListplaced中的标签，如果压盖，则转到④ ；反之则结束Tag1的摆放，并将Tag1加入TagListplaced。
④ 标签径向移位。由中心词对Tag1施加排斥力，促使其向外移动。力的方向为φ1，力的大小正比于r1，决定标签每次移动的步长。标签每次移动后，均转到③。
步骤（6）：如果TagListunplaced不为空，转到步骤 （5）。反之，代表所有标签的摆放已结束。

2.2.2 标签碰撞检测

标签移位过程中，需要通过实时碰撞检测避免发生压盖或重叠。由于文字字形轮廓不规则，严格按照字形轮廓的碰撞检测运算开销很大。本文采用“四叉树”模型近似模拟标签的字形轮廓。以标签的矩形轮廓为初始网格，如果网格与字形轮廓相交，则将该网格纳入四叉树结构并划分4个子网格继续递归判断；反之则不纳入树结构。当网格尺寸小于或等于最小网格尺寸时停止划分。最终，每个标签都对应一个叶子节点覆盖字形轮廓边缘的不完全四叉树。碰撞检测时，从两个标签的四叉树根节点开始逐级向下遍历，只有两棵树的叶子节点相交时，才表示标签的距离过于接近，需停止移动。通过根节点和中间节点可以快速排除不可能相交的情况，通过叶子节点则可以精准判断标签是否会发生碰撞。图 6利用SVG（Scalable Vector Graphics）中的text元素（<text> element）展示了“地”字（字体为楷体，字号为180 px）的矩形轮廓与四叉树剖分结果。图6(a)中的红色框线为文字的矩形轮廓。因为字体设计与SVG元素内边距的原因，文字与矩形轮廓之间存在较多的闲置空间，不利于标签的紧凑摆放。图6(b)用红色实线绘制了与“地”字对应的不完全四叉树，最小网格尺寸为10 px；以该四叉树为基础。图6(c)仅绘制了覆盖字形轮廓边缘的叶子节点，同时也保留了矩形轮廓，可以直观表达四叉树对字形轮廓的逼近效果。不难得出，最小网格尺寸越小，对字形轮廓刻画的越精细，碰撞检测的复杂度也越高。
图6 基于四叉树逼近字形轮廓

Fig. 6 Approximate glyph outlines based on quadtrees

3 实验与结果

3.1 实验环境与数据来源

本文在Web环境下实现了LBS标签云的布局算法，开发语言为Javascript，文本可视化采用SVG技术实现。算法部分模块复用了D3库提供的API，包括： d3-force，基于力导引模型模拟标签的运动过程； d3-quadtree，以此为基础实现文字轮廓的四叉树分割等。该算法可以在任意支持Javascript及SVG的浏览器上运行。算法的输入为用户位置及兴趣点列表，输出为LBS标签云。本文实验的软件环境为Windows 10系统，Edge浏览器；硬件环境为Intel i7处理器，内存16GB，屏幕分辨率1 600×900。
为了研究LBS标签云的可行性和有效性，本文以LBS用户普遍关注的“景点”为例，自动生成了面向不同场景的LBS标签云。兴趣点数据通过百度地图的API获取，返回的数据包含兴趣点的名称、经纬度、用户评分、用户评论数量等。以武汉市某高校为中心进行景点检索，共收集到124个景点。由于数据中不包含二阶属性，利用百度地图的“路线规划API”计算了中心点到各景点的公共交通及驾车通行时间作为景点的附加属性。本实验以武汉市某高校为假想的用户位置，结合LBS用户的典型需求，选取了3个场景来探讨LBS标签云的设计策略：① 表达所有景点；② 表达交通便捷的景点；③ 表达优质景点。

3.2 表达所有景点的LBS标签云

同时表达所有景点可为LBS用户提供宏观层面的全局信息。在探索所有景点时，用户关注的是景点的吸引力及通行时间，因此采用如下的视觉变量映射方案：标签位置表示通行时间，标签字号表示景点的吸引力。将用户评论数量作为景点吸引力的代理指标，分为5级后建立和标签字号的映射关系，评论越多字号越大，最大字号为30 px，最小字号10 px，相邻分级字号相差5 px。所有景点的缩略地图及对应的 LBS标签云如图7所示。LBS标签云中，中心词“用户位置”被高亮显示，以凸显标签云的中心位置并引导用户从该位置开始认知标签云。从图7中可以得出：
图7 包含所有景点的单色LBS标签云

注:标签位置代表通行时间，通行时间越短，离中心点越近;标签字号表示景点的评论数量，评论数越多字号越大。

Fig. 7 Monochrome LBS tag cloud containing all attractions

（1） 所有124个景点均被完整表达，而且每个景点都可以通过名称唯一标识，用户通过名称即可快速了解周边有哪些景点。
（2） 景点字号大小不一，字号较大的景点更容易吸引用户的注意力，同时带给用户“更重要”的心理感受，符合景点吸引力的表达需求。
（3） 大多数通行时间短的景点贴近中心点摆放，通行时间较长的景点则更多摆放在外围区域；景点与中心点的相对方向也保持不变。但需要注意的是，该标签云中的“标签远近”是一种次序关系，只能表示距离远近的先后顺序，并不能表达精确的通行时间。另外，该关系只适用于相同或相邻方向的标签，如“农耕年华农业风情园”比“和平公园”更远；对于不同方向的标签，远近关系不具有可比性，如用户位置下方的“黄鹤楼”看起来比上方的“木兰草原风景区”更远，这明显与事实不符。
人们可以根据标签位置获知远近，但很难定量感知具体的距离，尤其是兴趣点与中心点之间存在的若干有实际意义的非欧距离。为了更精准地表达通行时间， LBS标签云引入了适合表达定量分级信息的颜色变量，利用颜色渐变表示通行时间的变化。选用黄红渐变色带，将通行时间分为5级后建立和色带的映射关系，通行时间越短颜色越接近亮黄色。生成的LBS标签云如图 8所示。字色一方面丰富了标签云的视觉层次，形成了明显的“中心-边缘”渐变效果；另一方面也有效修正了位置导致的通行时间误判，标签字色的差异会引导用户关注颜色的含义，进而获知更准确的通行时间。
图8 使用颜色变量的LBS标签云

注:标签位置颜色代表通行时间，通行时间越短，离中心点越近，通行时间越短颜色越接近亮黄色;标签字号表示景点的评论数量，评论数越多字号越大。

Fig. 8 LBS tag cloud using the color variable

利用颜色表示通行时间与常规地图的表达方法略有差别。由于常规地图中的“位置”均采用精确的地理坐标，其隐含表达了精确的空间欧氏距离，故较少使用颜色、尺寸等视觉变量来表达距离关系。LBS标签云中的位置只能表达距离远近的先后顺序，所以要借助其他的视觉变量以实现距离关系的精准表达。除了欧式距离，地理目标间还包括拓扑、方向、流量、连通度等多种类型的关系，而且这些关系可能与欧氏距离不相关。以通行时间为例，公共交通的时间一般要长于驾车通行，但也有部分景点的公共交通非常便利，因此比较两类时间可为用户提供不同视角的参考。本文简单定义一个指数：公共交通快捷指数，公式为“公共交通通行时间-驾车通行时间-15”。如果该指数>0，表示驾车通行比公共交通快15 min以上，驾车通行更便利；如果该指数<0，表示驾车通行最多比公共交通快15 min，甚至比公共交通慢，在鼓励绿色低碳出行的背景下，更推荐公共交通。基于该指数生成的LBS标签云如图9所示，用户很容易识别公共交通友好的景点（如谭鑫培公园、武汉园博园等）及适宜驾车出行的景点（如和平公园、湖北省博物馆等）。在该场景下，颜色表示的公共交通快捷指数就属于更广义的关系。
图9 表达公共交通快捷指数的LBS标签云

注:标签颜色表示公共交通快捷指数;标签字号表示景点的评论数量，评论越多字号越大。

Fig. 9 LBS tag cloud expressing the Public Transport Express Index

3.3 表达交通便捷景点的LBS标签云

在景点检索中加入时间约束是LBS用户的常见需求，如通行时间1 h以内的景点（共72个）。在该场景下，差别不大的通行时间不再是用户关注的重点，吸引力（评论数量、门票价格、评分等）便成为用户最关心的内容，因此设计如下的视觉变量映射方案：标签位置表示通行时间，标签字号表示评论数量，标签字色表示评分。将评论数量分为5级后建立和标签字号的映射关系，评论越多字号越大。选用黄红渐变色带，将评分同样分为5级后建立和色带的映射关系，评分越高，颜色越接近亮黄色。生成的LBS标签云如图10。从图中可以看出，通行时间1 h以内的高评分景点和高评论量景点均被重点突出表达，更容易引起用户的注意；而低评论量的景点字号较小，低评分的景点颜色亮度较低，不同程度的降低了标签的视觉刺激，建立了比较好的次序感与数量感。另外，标签字号与字色的结合也有助于用户探索景点评论量和评分的不一致性，如归元禅寺、解放公园等评分高但评论量低的景点。
图10 通行时间1 h以内的景点LBS标签云

注:标签位置表示通行时间，时间越短离中心点越近，标签字号表示评论数量，评论越多字号越大;标签颜色色表示评分，评分越高越接近亮黄色。

Fig. 10 LBS tag cloud expressing attractions within 1 hour of travel time

3.4 表达优质景点的LBS标签云

除了通行时间，LBS用户也常用点评或评分作为筛选条件，如只显示评分在4.6~5.0分之间的景点（共47个）。在该场景下，景点的通行时间差异较大，应突出表达，细微差异的评分可以不表达或弱化表达，因此设计如下的视觉变量映射方案：标签位置和颜色表示通行时间，标签字号相同，不表示评分差异。选用顺序变化的连续色带，最短通行时间与最长通行时间分别对应色带两端，其余通行时间通过线性插值对应到色带上，生成的标签云如图11所示。因为标签的字号均相同，吸引用户注意是标签位置和颜色。通过标签位置，用户可初步了解景点的方向和远近；通过标签颜色，可进一步估算景点的通行时间。但由于连续色带中的颜色数量较多，用户需依赖图例才能准确判别颜色和时间的对应关系，读图过程略复杂。为了更直接地表达通行时间，将其数值嵌入标签文本中，与景点名称组合表达，生成的LBS标签云如图12所示。从图中可以看出，该方法对通行时间的表达简单而准确，适合表达某些差异较大的定量属性项。
图11 用户点评4.6~5.0分的景点LBS标签云

注:标签颜色表示通行时间。

Fig. 11 LBS tag cloud expressing high-rated attractions

图12 标签文本包含景点通行时间的LBS标签云

注:标签文本由景点名称和通行时间(min)组成。

Fig. 12 LBS tag cloud with tags containing the travel time

4 与已有方法的对比

3个场景下的LBS标签云的内容不同，采用了不同的视觉变量映射方案，有效突出了每个场景下最受用户关注的属性，充分表明了LBS标签云的有效性及可扩展性。为了更好的阐述本方法的优势，本节首先与Web地图进行对比，然后进一步总结了LBS标签云的可视化能力与主要优缺点。

4.1 与Web地图的对比

在主流Web地图中进行周边景点检索与可视化，结果如图13所示。图13(a)包含20个数字符号，图13(b)利用数字符号和普通圆形符号来区分热门景点与普通景点，符号的位置均表示景点的真实地理坐标。以图13(b)为例，当前地图范围已经完整覆盖了武汉市主城区，但只有10个数字符号及约30个圆形符号，可表达的景点数量与LBS标签云（图 8包含124个，图 10包含72个）有较大差距；在已表达的景点中，名称注记均未能完全展现，用户可以利用左侧列表逐一查看数字符号的景点名称，但圆形符号的名称无法查看；数字符号的编号与景点热度相关，可以在一定程度上引起用户的注意，但也需要用户在左侧列表中顺序浏览；用户可以通过符号的位置估算到各景点的通行时间，但自然及人工地物的阻隔会带来相当大的估算误差。虽然用户可以通过地图缩放来探索更多的景点，但同时也会有景点落到视窗之外，所以用户需要频繁的缩放及平移，而且这个过程往往无法兼顾目标数量与地图上下文。另外，由于基础地理信息要素全都展示在地图上，导致图面内容较为冗杂，对用户快速地捕捉到关键信息造成了一定干扰，如部分景点符号与原有的地图注记产生了压盖冲突。因此，能够完整展示兴趣点名称，又可同时表达一阶属性“吸引力”与二阶属性“通行时间”的LBS标签云比Web地图更适合兴趣点的可视化。
图13 基于主流Web地图的兴趣点可视化

Fig. 13 Visualization of points of interest based on mainstream web maps

4.2 LBS标签云的主要优缺点

在与Web地图进行对比的基础上，本节将LBS标签云的可视化能力分解为“完整显示所有兴趣点的名称”等10个方面，并分别与Web地图、Zoomless Map[5]及Focus+Context方法[7]进行对比，分析各自的优缺点，具体如表 1所示。从中可以看出， LBS标签云不仅可以容纳更多的兴趣点，而且可以在表达宏观分布的同时完整展示每个兴趣点的名称、多维属性及其与用户位置的关系。LBS标签云的主要缺点是无法精确表达兴趣点的地理位置，也缺乏基础要素提供的位置参考。另外，已实现的交互功能也比较简单有限。
表1 LBS标签云与已有方法的对比

Tab. 1 LBS tag cloud versus existing methods

编号 可视化能力 LBS标签云 Web地图 Zoomless Map Focus+
Context
1 完整显示所有兴趣点的名称 可以 无法显示 无法显示 无法显示
2 直观表达兴趣点的多维属性 可以 列表展示 可以 无法表达
3 根据需求灵活组合视觉变量 可以 可以 无法组合 无法组合
4 精确表达兴趣点的地理位置 无法表达 可以 可以 无法表达
5 直观表达与用户位置的关系 可以 列表展示 无法表达 无法表达
6 基础要素提供的地理参考 无 有 有 有
7 可清晰表达的兴趣点数量 约100个 约20个 不详 不详
8 兼顾宏观分布与局部细节 可以 无法兼顾 无法兼顾 可以
9 基础要素干扰 无 有 有 有
10 支持的用户交互 简单交互 丰富的用户交互 丰富的用户交互 简单交互

5 结论与展望

本文深度剖析LBS用户对兴趣点可视化的需求，整合标签云的表达优势，在标签云中引入中心化式的布局方案，设计了一种以用户地理位置为中心、适合LBS兴趣点可视化的标签云： LBS标签云。该方法将用户地理位置作为布局中心点，将兴趣点转换为文字标签后环绕中心点摆放，并利用标签视觉变量的组合来表达兴趣点的多维属性。标签摆放是LBS标签云与普通标签云的核心区别，本文将兴趣点的地理坐标转换为以中心点为极点的极坐标系下的径向坐标与角坐标，并按此摆放标签；关系密切的标签贴近中心点摆放，反之则远离摆放；若无足够空间摆放，则通过向外延长径向坐标的方法来探测可用空间。这样的布局方式符合现实世界的客观规律，也迎合了人们在常规地图认知中形成的习惯。实验中的3个场景验证了LBS标签云的可用性及有效性，也表明LBS标签云具有较好的可扩展性。
LBS标签云对不重要的属性进行了弱化或变形表达，如兴趣点的地理坐标，同时又保持了兴趣点与用户的相对方向关系。因此，LBS标签云与地铁图类似，同属于“示意性地图”的范畴，其主要的表达特色包括：① 简约性与丰富性的统一。仅包含文字标签，并不包含复杂的图形符号，既简化了认知过程，又避免了图形符号对表达空间的占用。另一方面，文字标签的视觉变量足够丰富，除了字号、颜色和位置，其他的视觉变量如字体、字重、发光等均可以融入LBS标签云以表达更多维度的属性信息； ② 一阶属性与二阶属性的耦合。不仅可以表达兴趣点自身的属性，还可以表达兴趣点与用户位置的关系。论文探讨了面向不同应用场景、符合用户直观感受的视觉变量映射方案，具有较低的用户学习成本； ③ 宏观趋势与微观个体的兼顾。用户既可快速概览所有标签进而了解兴趣点的宏观分布，又可以通过标签的文本及外观快速识别每个兴趣点的具体情况。
虽然无法表达兴趣点的精确位置，但这并不妨碍LBS标签云的可用性。LBS用户关注的是“周边有哪些兴趣点、这些兴趣点怎么样、去往这些兴趣点是否方便”。LBS标签云中仅包含文字标签，可直观明了地标识每个兴趣点的名称；标签的字号是用户特别敏感的视觉变量，用来表示兴趣点的热度或吸引力，与用户的心理印象较为契合；标签的颜色可以精准表达用户位置与兴趣点联系的紧密程度，这是LBS用户普遍关心的属性。因此，LBS标签云将用户关注的信息进行了有效整合，是一种新型的、适宜用户空间认知的可视化形式，并且有望为场所GIS、空间自相关、空间交互及基于位置的社会网络等研究提供新的可视化思路。未来还有许多问题值得进一步探索：如标签位置变形带来的认知偏差评估、标签布局方法的优化、更丰富的用户交互功能等。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周傲英, 杨彬, 金澈清, 等. 基于位置的服务:架构与进展[J]. 计算机学报, 2011, 34(7):1155-1171.

[Zhou A Y, Yang B, Jin C Q, et al. Location-based services: Architecture and progress[J]. Chinese Journal of Computers, 2011, 34(7):1155-1171.] DOI:10.3724/SP.J.1016.2011.01155

[2]
Chuang H M, Chang C H, Kao T Y, et al. Enabling maps/location searches on mobile devices: Constructing a POI database via focused crawling and information extraction[J]. International Journal of Geographical Information Science, 2016, 30(7):1405-1425. DOI:10.1080/13658816.2015.1133820

[3]
Ding R F, Chen Z Z. RecNet: A deep neural network for personalized POI recommendation in location-based social networks[J]. International Journal of Geographical Information Science, 2018, 32(8):1631-1648. DOI:10.1080/13658816.2018.1447671

[4]
Cai L, Xu J, Liu J, et al. Integrating spatial and temporal contexts into a factorization model for POI recommendation[J]. International Journal of Geographical Information Science, 2018, 32(3):524-546. DOI:10.1080/13658816.2017.1400550

[5]
Gedicke S, Bonerath A, Niedermann B, et al. Zoomless maps: External labeling methods for the interactive exploration of dense point sets at a fixed map scale[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 27(2):1247-1256. DOI:10.1109/TVCG.2020.3030399

[6]
Gröbe M, Burghardt D. Micro diagrams: Visualization of categorical point data from location-based social media[J]. Cartography and Geographic Information Science, 2020, 47(4):305-320. DOI:10.1080/15230406.2020.1733438

[7]
Niedermann B, Haunert J H. Focus+context map labeling with optimized clutter reduction[J]. International Journal of Cartography, 2019, 5(2/3):158-177. DOI:10.1080/23729333.2019.1613072

[8]
禹文豪, 艾廷华, 刘鹏程, 等. 设施POI分布热点分析的网络核密度估计方法[J]. 测绘学报, 2015, 44(12):1378-1383,1400.

DOI

[Yu W H, Ai T H, Liu P C, et al. Network kernel density estimation for the analysis of facility POI hotspots[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(12):1378-1383,1400.] DOI:10.11947/j.AGCS.2015.20140538

[9]
何亚坤, 艾廷华, 禹文豪. 等时线模型支持下的路网可达性分析[J]. 测绘学报, 2014, 43(11):1190-1196.

DOI

[He Y K, Ai T H, Yu W H. Accessibility analysis of road network supported by isochrone model[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(11):1190-1196.] DOI:10.134 85/j.cnki.11-2089.2014.0183

[10]
Forsch A, Dehbi Y, Niedermann B, et al. Multimodal travel-time maps with formally correct and schematic isochrones[J]. Transactions in GIS, 2021, 25(6):3233-3256. DOI:10.1111/tgis.12821

[11]
Yu W H, Zhang Y F, Chen Z L. Automated generalization of facility points-of-interest with service area delimitation[J]. IEEE Access, 2019, 7:63921-63935. DOI:10.1109/ACCESS.2019.2916977

[12]
Beilschmidt C, Mattig M, Fober T, et al. An efficient aggregation and overlap removal algorithm for circle maps[J]. GeoInformatica, 2019, 23(3):473-498. DOI:10.1007/s10707-019-00342-5.

[13]
Liu H P, Zhang L, Long Y, et al. Real-time displacement of point symbols based on spatial distribution characteristics[J]. ISPRS International Journal of Geo-Information, 2019, 8(10):426. DOI:10.3390/ijgi8100426

[14]
Yuan K, Cheng X Q, Gui Z P, et al. A quad-tree-based fast and adaptive Kernel Density Estimation algorithm for heat-map generation[J]. International Journal of Geographical Information Science, 2019, 33(12):2455-2476. DOI:10.1080/13658816.2018.1555831

[15]
Gedicke S, Jabrayilov A, Niedermann B, et al. Point feature label placement for multi-page maps on small-screen devices[J]. Computers & Graphics, 2021, 100:66-80. DOI:10.1016/j.cag.2021.07.019

[16]
杨敏, 艾廷华, 卢威, 等. 自发地理信息兴趣点数据在线综合与多尺度可视化方法[J]. 测绘学报, 2015, 44(2):228-234.

DOI

[Yang M, Ai T H, Lu W, et al. A real-time generalization and multi-scale visualization method for POI data in volunteered geographic information[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(2):228-234.] DOI:10.11947/j.AGCS.2015.20130564

[17]
Viégas F B, Wattenberg M. TIMELINESTag clouds and the case for vernacular visualization[J]. Interactions, 2008, 15(4):49-52. DOI:10.1145/1374489.1374501

[18]
Seifert C, Kump B, Kienreich W, et al. On the beauty and usability of tag clouds[C]// 2008 12th International Conference Information Visualisation. IEEE, 2008:17-25. DOI:10.1109/IV.2008.89

[19]
Schrammel J, Leitner M, Tscheligi M. Semantically structured tag clouds: An empirical evaluation of clustered presentation approaches[C]// Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York: ACM, 2009:2037-2040. DOI:10.1145/1518701.1519010

[20]
Hearst M A, Pedersen E, Patil L, et al. An evaluation of semantically grouped word cloud designs[J]. IEEE Transactions on Visualization and Computer Graphics, 2020, 26(9):2748-2761. DOI:10.1109/TVCG.2019.2904683

[21]
Lee B, Riche N H, Karlson A K, et al. SparkClouds: Visualizing trends in tag clouds[J]. IEEE Transactions on Visualization and Computer Graphics, 2010, 16(6):1182-1189. DOI:10.1109/TVCG.2010.194

PMID

[22]
Knittel J, Koch S, Ertl T. PyramidTags: Context-, time- and word order-aware tag maps to explore large document collections[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 27(12):4455-4468. DOI:10.1109/TVCG.2020.3010095

[23]
Milgram S. Psychological maps of Paris[J]. Environmental Psychology: People and Their Physical Settings, 1976:104-124.

[24]
Liu S X, Wang X T, Collins C, et al. Bridging text visualization and mining: A task-driven survey[J]. IEEE Transactions on Visualization and Computer Graphics, 2019, 25(7):2482-2504. DOI:10.1109/TVCG.2018.2834341

[25]
杨乃, 吴国佳, 杨春成. 文本地图可视化综述[J]. 测绘地理信息, 2021, 46(1):48-52.

[Yang N, Wu G J, Yang C C. Overview of text map visualization[J]. Journal of Geomatics, 2021, 46(1):48-52.] DOI:10.14188/j.2095-6045.2020511

[26]
华一新, 李响, 赵军喜, 等. 一种基于标签云的位置关联文本信息可视化方法[J]. 武汉大学学报·信息科学版, 2015, 40(8):1080-1087.

[Hua Y X, Li X, Zhao J X, et al. A tag cloud-based visualization for geotagged text information[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8):1080-1087.] DOI:10.13203/j.whugis20130794

[27]
Wood J, Dykes J, Slingsby A, et al. Interactive visual exploration of a large spatio-temporal dataset: Reflections on a geovisualization mashup[J]. IEEE Transactions on Visualization and Computer Graphics, 2007, 13(6):1176-1183. DOI:10.1109/TVCG.2007.70570

PMID

[28]
Cidell J. Content clouds as exploratory qualitative data analysis[J]. Area, 2010, 42(4):514-523. DOI:10.1111/j.1475-4762.2010.00952.x

[29]
Buchin K, Creemers D, Lazzarotto A, et al. Geo word clouds[C]// 2016 IEEE Pacific Visualization Symposium (PacificVis). IEEE, 2016:144-151. DOI:10.1109/PACIFICVIS.2016.7465262

[30]
Yang N, MacEachren A M, Yang L P. TIN-based tag map layout[J]. The Cartographic Journal, 2019, 56(2):101-116. DOI:10.1080/00087041.2018.1533294

[31]
Yang N, MacEachren A M, Domanico E. Utility and usability of intrinsic tag maps[J]. Cartography and Geographic Information Science, 2020, 47(4):291-304. DOI:10.1080/15230406.2020.1732835

[32]
杨乃, 庞旭静, 奚大平, 等. 用于内置式标签地图权重表达的等差字大策略评估[J]. 武汉大学学报·信息科学版, 2022, 47(12):2134-2142.

[Pang X J, Xi D P, et al. Evaluation of font size strategy of arithmetic progression for tag weights on intrinsic tag maps[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2134-2142.] DOI:10.13203/j.whugis20220433

[33]
Nguyen D Q, Schumann H. Taggram: exploring geo-data on maps through a tag cloud-based visualization[C]// 2010 14th International Conference Information Visualisation. IEEE, 2010:322-328. DOI:10.1109/IV.2010.52

[34]
De Chiara D, Del Fatto V, Sebillo M, et al. Tag@Map: A web-based application for visually analyzing geographic information through georeferenced tag clouds[C]// International Symposium on Web and Wireless Geographical Information Systems. Berlin, Heidelberg: Springer, 2012:72-81. DOI:10.1007/978-3-642-29247-7_7

[35]
Martin M E, Schuurman N. Area-based topic modeling and visualization of social media for qualitative GIS[J]. Annals of the American Association of Geographers, 2017, 107(5):1028-1039. DOI:10.1080/24694452.2017.1293499

[36]
Ferreira N, Lins L, Fink D, et al. BirdVis: Visualizing and understanding bird populations[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12):2374-2383. DOI:10.1109/TVCG.2011.176

[37]
Reckziegel M, Cheema M F, Scheuermann G, et al. Predominance tag maps[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 24(6):1893-1904. DOI:10.1109/TVCG.2018.2816208

[38]
王丽娜, 李响, 江南, 等. 中心型时间地图的构建方法与实现[J]. 测绘学报, 2018, 47(1):123-132.

DOI

[Wang L N, Li X, Jiang N, et al. A new method of constructing a central time-space map[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(1):123-132.] DOI:10.11947/j.AGCS.2018.20170180

[39]
魏智威, 刘远刚, 许文嘉, 等. 利用Snake移位模型构建中心型地图[J]. 武汉大学学报·信息科学版, 2022, 47(12):2105-2112,2122.

[Wei Z W, Liu Y G, Xu W J, et al. Central time-space map construction using the snake model[J]. Geomatics and Information Science of Wuhan University, 2022, 47(12):2105-2112,2122.] DOI:10.13203/j.whugis20220553

[40]
王圣音, 高勇, 陆锋, 等. 场所模型及大数据支持下的场所感知[J]. 武汉大学学报·信息科学版, 2020, 45(12):1930-1941.

[Gao Y, Lu F, et al. Place model and big geo-data supported place sensing[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1930-1941.] DOI:10.13203/j.whugis20200491

Options
Outlines

/

〈 〉