英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
附录X 译文
景观规划工具:利用不同用户生成的数字足迹规划风景旅游路线
摘要 为了方便前往城市的旅行准备过程，已经做了很多工作来自动推荐POI或一系列POI，以满足用户的需求。但是，大多数现有工作都忽略了规划POI之间详细旅行路线的问题，而将任务留给了在线地图服务或商用GPS导航仪。就建议最短的旅行距离或时间而言，这样的服务或导航器不能满足用户的多样化要求。例如，在以休闲驾驶为目的旅行的情况下，沿着旅行路线的风景对用户来说非常重要，并且良好的规划服务应该将路线的风景置于优先位置，而不是距离或花费的时间。为此，在本文中，我们提出了一个名为ScenicPlanner（景观计划工具）的新颖框架，用于路线推荐，它结合了带有地理位置标记的图像和可从位置检入的数字足迹。基于社交网络（LBSN）。首先，我们通过从带有地理标签的图像和签到中提取相关信息，丰富路网，并为每个路段分配适当的景观分数，以对景观路网进行建模。然后，我们（应用启发式算法来迭代添加路段，并确定添加路段的行驶顺序，目的是在满足用户指定的约束（即起点，目的地和总行驶量）的同时最大化总的风景得分最后，为了验证所提出框架的效率和有效性，我们对来自旧金山市湾区的三个真实数据集进行了广泛的实验，这些数据集包含从OpenStreetMap抓取的道路网络，更多一年中有1 571名Flickr用户生成了31 000张带有地理标签的图像，而15 680位Foursquare用户在六个月内留下了110 214张签到。
关键词 风景区；旅游线路规划； 异域； 数字足迹
1 介绍
计划行程是在前往城市之前最重要的旅行准备活动之一，要弄清楚具有最佳观光体验的路线，用户可能不仅需要浏览尽可能多的景点资料，尽可能选择自己喜欢的地方，还需要确定旅行的顺序，这非常耗时且劳动强度很大。为了促进旅行计划流程，许多在线旅行计划平台（例如NileGuide YourTour）通过对城市地标进行排名，来指导用户选择有趣的景点，并帮助用户排列所选景点的旅行顺序。此外，随着基于位置的社交网络（LBSN）的日益普及，记录人类与网络物理世界之间相互作用的各种数字足迹以前所未有的规模积累。关于景点和用户的丰富而有价值的信息，例如景点的地理坐标，类别，受欢迎程度和签到偏好，都明确或隐含地包含在此类数字足迹中。可以在不同的用户场景下挖掘此类数据以进行自动行程计划。但是，当前大多数旅行计划系统建议使用单个景点或一系列景点，而忽略了两个建议的连续POI之间的详细旅行路线计划问题。尽管可以使用在线地图服务，例如Google Maps和百度地图，或可以轻松集成商用GPS导航器，建议的旅行路线无法满足不同的用户需求，因为它们通常提供的旅行距离或时间最短。在现实生活中，尤其是在驾驶汽车进行休闲旅行的情况下，用户可能不会急于到达下一个目的地，沿行驶路线的视觉和风景更重要。因此，在本文中，我们不以最短的距离（或时间）为唯一标准，而是推荐具有最佳风景的两个地点之间的旅行路线。
如果要直观地规划一条从一个景点到另一个景点的风景名胜的旅行路线，我们可以设计一条在用户约束下经过几个著名的旅游景点（或地标）的路线。但是，由于以下两个原因，导致该解决方案存在问题且无效。总而言之，驾驶过程中的观光活动与牵引游客的活动具有截然不同的性质。具体而言，即使没有途径的景点吸引，用户仍会沿途欣赏美丽的景色（例如，“旧金山的内河码头”），而在参观旅游景点时，用户必须在一定时间内专门参观一些室内旅游景点（例如，在卢浮宫博物馆停留数小时，参观著名的艺术品）。 有些地标可能距离道路很远并且在用户开车时看不见，因此不能提供愉悦的驾驶体验，本质上讲，沿路的整体风景环境才是美丽的原因。出行路线规划可以分为两个子问题，即对风景名胜路网进行建模，以及在给定的约束条件下寻找具有最高风景名胜分数的路线。
为确保我们方法的可行性，我们需要解决以下两个研究挑战。
bull;如何为风景名胜区道路网建模？风景优美的路网建模的目标是根据附近的“风景环境” 对路网中的每个路段进行正确评分。尽管如此，该术语还是相当主观的，这取决于其受欢迎程度，用户的偏好，访问时间等，这使得建模任务颇具挑战性。
bull;如何有效地找到准最佳路线？能够对从起点到终点的每个路段进行评分，该问题成为众所周知的寻路问题，事实证明这是NP-hard（NP-hard，指所有NP问题都能在多项式时间复杂度内归约到的问题）的。为了获得高质量的解决方案，我们必须确定要经历多少路段以及行进顺序，而这些路段本质上是复杂的组合。由于对于有针对性的行进路段，通常有两个行驶方向，这使问题进一步复杂化。
基于上述研究目标和挑战，本文的主要贡献是：
bull;我们提出了一个新颖的框架，称为ScenicPlanner，该框架包含两个功能模块（即，风景名胜道路网建模和风景名胜路线规划），以规划两个给定点之间的旅行路线，目的是最大化风景名胜得分以获得最出色的驾驶体验。
bull;基于从众包平台（即OpenStreetMap（0SM））抓取的道路网络，我们对道路网络进行了充实，并综合利用了由来自两个LBSN平台（即Flickr 和Foursquare）的地理标记图像和签到。
bull;我们提出了一种启发式算法，通过基于大规模真实世界数据集的广泛实验（包括31种以上），找到了接近最佳的路线，并验证了其在美国旧金山市的有效性和效率。一年内有1 571位Flickr用户生成了31000张带有地理标签的图像，六个月内有15 680位Foursquare用户留下了110214张签到信息。作为比较，我们还提出了两种基线方法。结果表明，提出的算法可以达到最佳性能。
本文的其余部分安排如下。 在第2节中，在介绍了一些基本概念和需要解决的问题之后，我们简要论述了我们提出的ScenicPlanner系统的框架。 在第3节中，我们将利用Flickr地理标签图像和Foursquare签到来介绍对风景名胜道路网进行建模的过程，并在第4节中详细说明我们的风景名胜路线规划方法。我们评估了拟议框架的性能 第5节中的工作。在第6节中，我们回顾了相关工作，并展示了本文与先前的研究有何不同。 最后，我们总结了本文并在第7节中列出了未来的发展方向。
2 ScenicPlanner系统概述
在本节中，我们提供一些基本概念的定义，给出景区旅行路线规划的正式问题说明，并简要介绍ScenicPlanner框架，该框架包括两个主要部分：景区道路网络模型和一个风景秀丽的路线规划组件，如图1所示。
2.1基本概念
定义1（道路网络）道路网络是由节点集和边集组成的图形，其中中的每个元素是一对经度坐标和纬度坐标的交点表示其空间位置。边缘集是叉积的子集。中的每个元素是连接节点和节点的路段。
定义2（行驶路线）行驶路线TR是节点的序列，其中任意两个节点之间连续节点，道路网中存在一个路段（即一条边）。替代地，行驶路线也可以被定义为一系列路段，其中在任何两个连续的路段之间它们共享唯一的节点。
定义3（带有地理标签的图像）带有地理标签的图像定义为四重，表示具有id 的用户在位置在时间，使用Flickr。
定义4（签到）签到定义为三重，它显示ID为的用户在时间为ID为g的场所（即POI）签到了使用Foursquare。另外，Foursquare提供有关任何给定场所的物理坐标，标签和类别信息。
定义5（路段的风景分数）给定路段，函数分配一个分数以反映其风景优美的环境。分数越高，场景越美。分数大于0的路段也称为风景区路段。
定义6（行驶路线的风景分数）行驶路线的风景分数T R定义为行驶路线包含的所有路段的景区分数之和，因此可以通过进行计算，其中是路段数TR包含的内容。
定义7（行驶路线查询）行驶路线查询（TRQ）包含三个部分：1）用户指定的起点； 2）用户指定的终点；3）目标行驶路线的最大行驶距离。总之，查询TRQ可以表示为。
图 1我们提出的景观规划框架
2.2 问题表述
规划风景旅游路线的问题可以表述为：
鉴于：
1）用户的旅行路线（TRQ）；
2）从目标城市获取地理图像和签到；
3）目标城市的道路网络。
通过设计适当的函数对风景秀丽的道路网络进行建模，以利用地理标记的图像和签到的集合对每个路段进行评分，然后找到在满足用户旅行路线的同时，最大化其风景得分的行进路线。
定理1风景名胜区的旅行路线规划问题是NP-hard的。
证明对于一组路段（e（i，j）），每个路段都有一个风景得分S（e（i，j）），反映出其观光情况，类似于背包问题（一种组合优化的NP完全问题）。另一方面，类似于每件物品都具有重量的情况，用户要通过游览风景优美的道路，就必须走一段距离才能从给定的出发点到目的地。用户设定的最大行驶距离与背包问题中的最大承重量差不多。更复杂的是，同一条风景名胜道路的不同行驶顺序需要不同的路程，即使是同一条风景名胜道路，不同的行进方向也会导致总的路程发生变化。因此，本文中讨论的问题可以看作是背包问题的一个变体，它是NP问题。
2.3 ScenicPlanner框架
如图1所示，ScenicPlanner由两个模块组成，分别是景观道路网络建模和景观路线规划。利用道路网络，带有地理标签的图像数据和签到数据这三个数据集的输入，风景名胜的道路网络建模模块通过从带有地理标记的图像和签到中提取相关信息，丰富了道路网络。风景区路线规划模块以查询-响应的方式工作，更具体地说，在由用户输入的旅行查询触发后，首先根据起点和终点的位置确定感兴趣的区域，然后只有位于感兴趣区域的路段才有资格行驶。由于每个候选路段都有两个行驶方向，因此我们应用探索式规则来确定其行驶方向。最后，路段选择和排序操作会找到风景最好的行进路线。我们将在接下来的两节中详细介绍每个组件。
3 景观路网建模
如前所述，对风景名胜路网建模的关键问题是根据其景观质量对每个路段（即优美程度）进行评分。先前对量化影响路线美景的因素进行的研究得出的结论是，风景路线通常具有较高的周围地理标记照片密度和某些特定的景观特征（即一个值得去的景点具有一下特征，比如引人注目的河流和花园）。将此想法进一步应用，我们利用带有地理标记的图像和检入数据提供的补充信息对给定路段的风景进行评分，详细说明如下。
3.1 地理标记图像和风景得分
围绕路段的高密度地理标记图像很好地表明了其风景质量。但是，较高的密度值不一定可以带来更好的风景。分布的主要方向也很重要。例如，如果地理标记图像分布的主要方向与道路方向一致，则可以保证从道路上获得更好的观光。其背后的原理是：如果被道路的整体视野所吸引，则用户可能会沿着道路拍照，而如果被附近的地标吸引，则用户将从中心位置周围的不同实体角度进行拍照。以图2中所示的两个分布为例，尽管它们具有相同的密度，但在左侧情况下的路段应评分较高。因此，我们同时考虑了地理图像数据分布的密度和主导方向，并计算出给定路段的风景名胜分数，如下所示：
其中dist((),e())计算点()到路段e()的地理距离；是用户指定的
参数；获取集合中元素的数量，
表示在计算密度以确保可见性时仅对距离小于的地理标记图像进行计数，是考虑道路方向和分布的主要方向的加权因子，由等式计算得出。
其中和分别对应于第一和第二主成分的特征值（和，如图2所示）。 当对到路段的距离小于的图像集应用PCA（主成分分析）算法时，是路段的方向。
3.2 签到和风景分数
在行驶过程中，使用者可以浏览自然风景或路边有旅游景点（例如教堂，宫殿和广场）的热门道路也是首选。 因此，为了对道路的风景评分，还应考虑道路上或附近的游客兴趣地点。 幸运的是，与没有游客兴趣地点明确信息的带有地理标记的图像数据相比，签到数据不仅包含有关游客兴趣地点固有属性的信息（例如，经度，纬度，分层类别说明），还可以查看游客兴趣地点在过去一段时间内被签到的次数，这是其受欢迎程度的良好指标。 受到某些特定类别的游客兴趣地点对其风景景观的贡献相对更大的想法的启发[12]，因此我们有意根据其类别标签将游客兴趣地点分为三类，如表1所示。使用签到数据可以计算出一段指定路段的景观，如下所示：
其中测量从场地到路段的地理距离，并且仅计算距离路段的距离小于的场地的签到，这与带有地理标记的图像数据的情况类似。 此外，根据相应的签到场所划分成的组，对这些签到的权重进行不同的加权，大致与前文的想法一致。 它定量研究了一条旅行路线中的风景名胜区和周围的景点的类别。结果表明，游客兴趣点属于自然风光，而旅游景点通常比其他组别的场所对旅游路线上景观贡献更大。因此，在属于第1组（即自然风光）的场所中签到的权重高于其他两组。 具体而言，我们根据经验设置= 0.65，= 0.3， = 0.05。
表1 三类旅行目的地（POI）
图2 举例说明两种具有相同密度但不同主导方向的地理标记图像的分布
3.3 地理标记图像和签到的集成
在给定地理标记图像数据和签到数据的情况下，基于式(4)对路段的景观评分进行积分。
(4)
图3显示了路网中所有路段的风景分数的累积分布函数（CDF）结果。 我们可以观察到只有5％的路段的得分值大于0.05，并且大约85％的路段甚至没有得分。
图3 各路段的景观评分的累积分布函数结果
备注 有很多不同的加权算法可以整合地理标记图像和检入片段对给定路段的评分，并且不同的加权机制也会导致不同的得分值。 此外，一
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[409954]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
