POI / ROI-Ermittlung mithilfe von Flickr-Fotos mit Geotags

Im Zeitalter von Big Data haben allgegenwärtige Flickr-Fotos mit Geotags eine beachtliche Chance eröffnet, wertvolle geografische Informationen zu entdecken. Point of Interest (POI) und Region of Interest (ROI) sind wichtige Referenzdaten, die in Geoinformationsanwendungen häufig verwendet werden. Eine kürzlich veröffentlichte Studie (Kuo et al. 2018) zielt darauf ab, eine effiziente Methode für die POI / ROI-Ermittlung von Flickr zu entwickeln. Zunächst werden attraktive Abdrücke in Fotos mit einem lokalen Maximum ausgenutzt, das für die Unterscheidung von Clustern von Vorteil ist. Die Mustererkennung wird mit einem neuartigen Algorithmus kombiniert, dem räumlichen Überlappungsalgorithmus (SO-Algorithmus), und die Benennungs- und Zusammenführungsmethode wird für attraktives Footprint-Clustering durchgeführt. POI und ROI, die sich aus dem Spitzenwert und der Reichweite von Clustern ableiten, geben den beliebtesten Ort und die beliebteste Reichweite für die Beurteilung von Attraktionen an. Die ermittelten ROIs verfügen über eine bestimmte räumliche Überlappung, sodass die erfüllte Region der ROIs zur Bewertung von Attraktionen gemeinsam genutzt werden kann. Die entwickelte Methode wird in zwei Untersuchungsgebieten in Taiwan demonstriert: Tainan und Taipeh, die ältesten und dichtesten Städte. Unsere wichtigsten Beiträge sind dreifach.

  • Eine effiziente Methode zur Beseitigung von Geräuschen unter gesammelten Fußabdrücken und zur Auswahl attraktiver Fußabdrücke mit einem lokalen Maximum zur Abgrenzung von POIs und ROIs wird vorgeschlagen.
  • Ein effektives Clustering zur Mustererkennung, das räumliche und zeitliche Eigenschaften und Attribute wie Tags mit einem räumlichen Überlappungsalgorithmus (SO-Algorithmus) umfasst, wird ausgenutzt. Durch die entdeckten ROIs stehen insbesondere räumliche Überlappungen zur Verfügung, die dem zufriedenen Bereich der ROIs zur Wertschätzung von Attraktionen zur Verfügung gestellt werden können.
  • Es werden ein POI und ein ROI mit einem Spitzenwert aufgedeckt, die den beliebtesten Ort und die beliebteste Reichweite zum Erkennen von Attraktionen angeben

Die Ergebnisse zeigen, dass die ermittelten POI / ROIs nahezu den offiziellen Daten in Tainan entsprechen, wohingegen in Taipeh mehr kommerzielle POI / ROIs vom Algorithmus ermittelt werden als offizielle Daten. In der Zwischenzeit kann unsere Methode das Clustering-Problem in einem dichten Bereich beheben.

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.

Verwandte ausgewählte frühere Arbeiten:

  • Novack T., R. Peters und A. Zipf (2018): Graph-based Matching von Points-of-Interest aus kollaborativen Geodatensätzen. ISPRS Int. J. Geo-Inf. 2018, 7 (3), 117; doi: 10.3390 / ijgi7030117
  • 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.
    • Yan, Y., M. Eckle, C.-L. Kuo, B. Herfort, H. Fan und A. Zipf (2017): Überwachung und Bewertung der Erholung des Tourismus nach einer Katastrophe mithilfe von Social-Media-Daten mit Geotags.International Journal of Geo-Information, ISPRS IJGI. 6 (5), 144; doi: 10.3390 / ijgi6050144
    • Li, M., Westerholt, R., Fan, H., Zipf, A. (2016): Bewertung der raumzeitlichen Vorhersagbarkeit von LBSN: Eine Fallstudie mit drei Foursquare-Datensätzen. GeoInformatica. Volumen und Ausgabe ausstehend. DOI: 10.1007 / s10707–016–0279–5.
    • 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: Flickr, POI, soziale Medien