共查询到10条相似文献,搜索用时 31 毫秒
1.
<正>兴趣点(point of interest,POI)是地理信息服务的重要形式。互联网上的POI信息大多位于深网网络(deep web)中,其数据量极其庞大。随着互联网技术与应用的快速普及和地理信息服务的深入发展,POI信息资源规模不断增长、更新更为频繁,充分挖掘深网网络中蕴含的POI数据,对于丰富地理信息资源、提升空间信息服务与内容管理能力具有重要意义。当前,通用搜索引擎和普通深网爬行方法难以有效获取深网POI数据,来源于不同网站的POI信息也存在 相似文献
2.
3.
针对传统POI数据采集方式成本高,更新缓慢,属性信息不完整等问题,分析天地图提供的地理信息服务和编程接口,结合网络开发技术提出了基于天地图的POI数据采集思路,开发了原型系统,实现了POI数据的采集与动态更新,对保障POI数据现势性、正确性和完整性具有参考意义。 相似文献
4.
随着科技的迅速发展,地理空间数据已经成为人们日常生活中的一部分,城市POI数据则是涵盖城市公共基础设施属性信息与位置信息的大型地理空间数据。针对现阶段对城市POI数据利用程度不充分的问题,本文运用密度分析、热点分析以及服务范围分析等方法研究大连金普新区城市POI数据的空间分布特征。结果表明:大连金普新区城市POI数据呈现"二区八带多点"的分布格局,金石滩街道、中长街道、先进街道以及大李家街道医疗、教育、娱乐设施较为完善,且远离工厂,比较宜居。本研究可为市民生活、工作、学习、娱乐提供参考,也可为城市发展、管理维护提供服务。 相似文献
5.
6.
7.
兴趣点,又称POI(points of interest)是网络地图、导航地图中重要的表达要素,包括餐饮、娱乐、金融机构、旅游景点、地标建筑、加油站、停车场等人们日常生活中最为经常使用的信息。其数据的准确性、属性的丰富程度、表达的清晰度及其实时显示效率都将影响地图的服务质量。当前POI表达存在许多问题,特别是在用户搜索特定信息时,由于查询结果数据量较大,造成POI的叠置、压盖等,这一问题严重影响了用户对POI信息的查询与检索。地图综合提供了大量的算子算法以实现点或点群要素的选取,但是它们在综合效率方面亟待提高。面向矢量数据处理的并行计算,其数据划分不仅需要满足负载均衡、划分算法高效等要求,而且对于划分后各部分数据在计算前后拓扑关系的保持也显得尤为重要。兴趣点与路划网络是密切相关的要素,两者之间存在着相互依存的空间关系。本文提出基于路划网眼划分兴趣点的方法,既能保证兴趣点的划分效率,又能保证不同分区内POI选取计算的正确性。选择点选取算法中的"圆"增长算法,采用典型试验区域的路划网眼数据,基于不同节点数划分兴趣点数据,实现兴趣点选取并行计算。试验证明,该方法不仅保证了兴趣点划分的均衡性,而且可以提高兴趣点选取计算效率。通过这一研究,对面向矢量数据的地理信息分析、地图制图综合等复杂算法的并行计算具有重要意义。 相似文献
8.
本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。 相似文献
9.
兴趣点(POI)是电子地图、导航等应用关注的主要要素之一,其数据质量直接影响地理信息服务的智能化水平。鉴于OpenStreetMap(OSM)等众源地理信息数据的非专业收集特征,其POI数据标签常存在缺失、标记错误等质量问题,亟须对POI标签进行智能化推断和增强处理。常规神经网络模型直接从单一层次预测多类别数据,未考虑POI类别在数量上分布不平衡的问题,其预测标签倾向于包含较多数据的类别,学习算法难以泛化小规模样本规则。本文考虑到不同POI类别间的数据规模差异较大,提出基于多层次POI类别组织的神经网络预测方法,通过小样本类别的层次化聚合,建立POI类别树结构,在树结构的不同层次上实现数据规模相对平衡的类别划分,支持神经网络高精度的标签预测。试验表明,本文方法仅需利用POI基础位置信息与邻近关系,其预测精度高于传统方法。 相似文献
10.
POI的现势性对于位置服务至关重要,但传统人工实地调查效率低,现势性无法满足需求。以当前用户参与数众多的微博社交网络为数据平台,提出了一种基于微博位置签到数据的POI更新方法。首先,对微博位置签到数据进行预处理,剔除语义与空间位置不一致的噪声点,在此基础上提出一种基于RANSAC算法的位置签到数据集地理配准方法,实现位置签到数据与已有地理数据库的可靠配准;然后,将位置签到数据集与已有POI数据库进行空间分析与匹配建模,对匹配不成功的位置签到数据进行有效性验证,提取有效新增数据入库用以更新POI;最后,以武汉市的街旁网位置签到数据进行POI更新实验,能够有效地发现新增POI和消失POI,为POI快速高效更新提供了全新的方式。 相似文献