Diagrammbasierter Abgleich von Sonderzielen aus kollaborativen Geodatensätzen

Einige geografische Anwendungen erfordern umfassende semantische Informationen von Points-of-Interest (POIs). Diese Informationen werden jedoch häufig über verschiedene kollaborative Mapping-Plattformen verteilt. Überraschenderweise gibt es immer noch eine Forschungslücke bezüglich der Zusammenführung von POIs aus dieser Art von Geodatensätzen. In einem kürzlich erschienenen Aufsatz von Novack et al. (2018) konzentrieren wir uns auf den Übereinstimmungsaspekt der POI-Datenkonflation, indem wir zwei Übereinstimmungsstrategien basierend auf einem Diagramm vorschlagen, dessen Knoten POIs und Kanten Übereinstimmungsmöglichkeiten darstellen. Wir zeigen, wie das Diagramm verwendet wird, um (1) die Gewichte der verschiedenen POI-Ähnlichkeitsmaße, die wir betrachten, dynamisch zu definieren, (2) das Problem anzugehen, dass POIs nicht angepasst werden sollten, wenn sie keinen entsprechenden POI im anderen Datensatz haben, und ( 3) Erkennen mehrerer POIs an derselben Stelle im selben Datensatz und gemeinsames Abgleichen dieser POIs mit den entsprechenden POIs aus dem anderen Datensatz. Die von uns vorgeschlagenen Strategien erfordern keine Sammlung von Trainingsmustern oder umfangreiche Parametereinstellungen. Sie wurden statistisch mit einem „naiven“, obwohl allgemein angewendeten Matching-Ansatz verglichen, der POIs berücksichtigte, die von OpenStreetMap und Foursquare aus der Stadt London (England) gesammelt wurden. In unseren Experimenten haben wir nacheinander jeden unserer methodischen Vorschläge in das Matching-Verfahren einbezogen, und jeder von ihnen führte zu einer Erhöhung der Genauigkeit im Vergleich zu den vorherigen Ergebnissen. Unser bestes Übereinstimmungsergebnis erreichte eine Gesamtgenauigkeit von 91%, was mehr als 10% über der Genauigkeit liegt, die mit der Baseline-Methode erzielt wurde.

Es ist wichtig darauf hinzuweisen, dass weder die Berechnung des endgültigen Kantengewichts noch die von uns vorgeschlagenen Abgleichstrategien eine zeitaufwendige Sammlung von Trainingsmustern erfordern. Aus diesem Grund können unsere Methoden einfacher in umfassendere Workflows integriert werden, deren Ziele über den Schritt der POI-Zusammenfassung hinausgehen. Darüber hinaus sind nicht überwachte POI-Abgleichmethoden in der Regel besser übertragbar als überwachte Methoden, die zwar in einem bestimmten Bereich möglicherweise effektiver sind, jedoch das Risiko einer Überanpassung und damit einer schlechten Übertragbarkeit bergen.

Novack, T .; Peters, R .; Zipf, A. (2018): Graphbasierter Abgleich von Sonderzielen aus kollaborativen Geodatensätzen. ISPRS Internat. Journal of Geo-Inf. 2018, 7, 117. doi: 10.3390 / ijgi7030117

Verwandte ausgewählte frühere Arbeiten:

  • Kuo, C.-L., T.C. Chan, I.-C. Fan, A. Zipf (2018): Effiziente Methode zur POI / ROI-Ermittlung mit Flickr-Geotagged-Fotos. ISPRS Int. J. Geo-Inf. 2018, 7 (3), 121; doi: 10.3390 / ijgi7030121.
    • Westerholt, R., Steiger, E., Resch, B. und Zipf, A. (2016): Häufige topologische Ausreißer in Social Media-Daten und ihre Auswirkungen auf die räumliche Analyse. PLOS ONE, 11 (9), e0162360. DOI: 10.1371 / journal.pone.0162360.
    • Jonietz, D., Zipf, A. (2016,): Definition der Gebrauchstauglichkeit für Crowdsourcing-Points of Interest (POI). ISPRS Internat. Zeitschrift für Geoinformation. 2016, 5 (9), 149; DOI: 10.3390 / ijgi5090149
    • Rousell A. und Zipf A. (2017): Auf dem Weg zu einem wegweisenden Fußgängernavigationsdienst unter Verwendung von OSM-Daten. Internationales Journal für Geoinformation, ISPRS IJGI, 6 (3): 64.
    • Steiger, E., Westerholt, R., Resch, B. und Zipf, A. (2015): Twitter als Indikator für den Aufenthaltsort von Menschen? Korrelieren von Twitter mit britischen Zensusdaten. Computer, Umwelt und städtische Systeme (CEUS), 54, S. 255–265. Elsevier doi: 10.1016 / j.compenvurbsys.2015.09.007
    • Steiger, E., Resch, B., Zipf, A. (2015): Erforschung räumlich-zeitlicher und semantischer Cluster von Twitter-Daten unter Verwendung unbeaufsichtigter neuronaler Netze. Internationale Zeitschrift für Geographische Informationswissenschaft (IJGIS), Taylor & Francis. Doi: 10.1080 / 13658816.2015.1099658
    • Steiger, E .; Porto de Albuquerque, J .; Zipf, A. (2015): Eine erweiterte systematische Literaturrecherche zu raumzeitlichen Analysen von Twitter-Daten. Transaktionen in GIS, 19 (6): 809–834. Wiley. doi: 10.1111 / tgis.12132
    • Sun, Y., Fan, H., Bakillah, M. & Zipf, A. (2013): Empfehlung für das Reisen auf der Straße unter Verwendung von Bildern mit Geotags. Computer, Umwelt und städtische Systeme (CEUS). Band 53, Seiten 110–122. Elsevier https://doi.org/10.1016/j.compenvurbsys.2013.07.006
    • Tags: Foursquare, Geosocial Media, OpenStreetMap, POI, Social Media-Daten