CN102207965A - 一种时空景点游览序列选择***和方法 - Google Patents
一种时空景点游览序列选择***和方法 Download PDFInfo
- Publication number
- CN102207965A CN102207965A CN2011101449512A CN201110144951A CN102207965A CN 102207965 A CN102207965 A CN 102207965A CN 2011101449512 A CN2011101449512 A CN 2011101449512A CN 201110144951 A CN201110144951 A CN 201110144951A CN 102207965 A CN102207965 A CN 102207965A
- Authority
- CN
- China
- Prior art keywords
- sight spot
- sequence
- distance
- sight
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种时空景点游览序列选择***和方法,该方法综合考虑距离、权值、游览时间和景点特色等因素,通过给景点预设权值以及采用局部优化算法或全局优化算法最终得到景点游览序列。本发明选择得到的景点游览序列能够使用户在其旅游时间范围限制内,走最少的路程来游览他最想游览的那些景点。
Description
技术领域
本发明涉及一种时空景点游览序列选择***和方法。
背景技术
随着当代社会的快速发展,人们越来越关注高效的、个性化的服务。在旅游行业中,一个完美的旅游计划能够帮助人们节省大量的时间和精力,并且游览尽可能多的、自己感兴趣的景点。然而,目前要制定这种完美的、个性化的旅游计划是很困难的。大多数人都会遵循其他人的旅游路线,而没有考虑他们自己的兴趣爱好,也没有考虑该路线中景点的最佳游览顺序。因此,只有当他们完成旅行之后才知道哪些景点是自己喜欢的,哪些不是,以及游览的最佳顺序是什么,等等。我们来考虑这样的一个场景:某人计划在假期出游,但是没有明确的目的地。为了制定一个好的旅游计划,他在网络上浏览各类旅游路线,或者从旅游公司寻求建议。然后根据别人的建议选择一条最流行的旅游线路,而没有考虑自己的兴趣爱好。这种盲目的旅游计划可能导致以下后果:1)在景点与景点之间的路上浪费大量的时间;2)浪费很多不必要的金钱;3)没有足够的时间游览那些他真正想玩的景点,等等。随着智能旅游和现代高级服务的兴起,人们日益需要更为复杂的时空景点(Spatio-Temporal Sequence,STS)序列查询。
有效的STS分析将成为Flickr中提供高级服务的一个重要的新特征,并且对其他基于位置的服务应用(Location Based Services,LBS)也是非常有用的。支持类似STS这种高级查询的***,其性能将得到很大提高和改善。但是目前为止,STS分析从未被考虑过。Zheng等(Zheng,I.,Zhang,L.,Xie,X.,Ma,WY.:Mining Interesting Locations and Travel Sequences from GPS Trajectories.Proceedings of the 18th International World Wide Web Conference(WWW).2009)利用GPS设备对107个用户定位追踪1年,从而找到用户感兴趣的旅游景点。(Cao,X.,Cong,G.,Jensen,C.:Mining Significant Semantic Locations From GPS Data.In:Proceedings of the VLDB Endowment,PVLDB,vol.3(1),2010)致力于从多个用户的GPS记录中挖掘相似的旅游序列,而(Gonotti,F.,et al.:Trajectory Pattern Mining.Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining(KDD),2007:330-339)从时空元数据中抽取最大的周期模式。Girardin等(Mamoulis,N.,et al.:Indexing and Quering Historical Spatiotemporal Data.Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining(KDD),2004:236-245)基于大量地理相关的Flickr照片,分析了印度Florence省的旅游序列,其结果为更好地了解人们的旅游方式做出了贡献。Chen等(Chen,Z.,Shen,H.T.,Zhou,X.,Zheng,Y.,Xie,X.:Searching Trajectories by Locations-An Efficiency Study.Proceedings of the 36th SIGMOD International Conference on Management of Data.(SIGMOD)2010)研究了基于位置查找轨迹的问题,其目标是从数据库中查找K个最相关的轨迹,以至于能够连接到指定的位置。上述这些研究工作都没有考虑景点的旅游特色和用户的兴趣爱好,而这正是本发明的重点所在。
空间数据库方面的研究也开始关注空间网络图表示方式的应用,而不是仅用传统的欧几空间。目前有很多工作致力于在空间网络上扩展各类查询(Papadias,D.,Zhang,J.,Mamoulis,N.,Tao,Y.:Query Processing in Spatial Network Databases.Proceedings of 29th International Conference on Very Large Data Bases(VLDB).2003),其中的多数解决方法都是基于传统的图算法。(Yiu,M.,Mamoulis,N.:Clustering Objects on a Spatial Network.Proceedings of the 30th SIGMOD International Conference on Management of Data(SIGMOD)2004)研究了路网上数据库的聚类算法,基于(Shekhar,S.,Liu,D.:CCAM:A Connectivity Clustered Acccess Method for Networks and Network Computations.IEEE Transactions on Knowledge and Data Engineering(TKDE),1997:102-119)中的思想提出了一种很有效的数据结构。Li等(Li,F.,Cheng,D.:On Trip Planning Queries in Spatial Databases.The 9th International Symposium of Advances in Spatial and Temporal Databases(SSTD).2005)讨论了欧氏空间和路网上的旅游计划查询,从每类节点中至少选取一个来组成最好的旅行计划。然而,它们没有考虑节点的权值和顺序关系。本发明是在路网上分析STS问题的。
总之,现有方法的主要不足在于:1、目前的这些研究工作都没有考虑景点的旅游特色和用户的兴趣爱好,而这两点是影响时空景点序列的主要因素;2、目前的很多研究工作或者是基于传统的欧几空间,或者基于传统的图算法,而这些在大多数实际应用中都是不适用的;3、现有的研究工作都没有考虑节点的权值以及它们之间的顺序关系,而这些在时空序列分析中必须考虑,否则会影响最终选择出景点序列的结果;4、现有的基于GPS的研究工作,其数据是不全面的。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种新颖的时空序列选择***及方法。该方法综合考虑距离、权值、游览时间和景点特色等因素,从而为用户提供一个最优的时空景点序列。
为实现上述目的,本发明的时空景点游览序列选择方法,具体步骤为:
1)根据用户的喜好和景点特色对每一景点数据预设权值;
2)根据用户的旅游需要,通过局部优化或者全局优化对景点数据进行处理得到景点游览序列。
进一步,步骤2)中用户的旅游需要包括景点距离D、景点权值w、景点约束时间T和景点序列价值V,其中景点距离D为景点之间的路网距离DdisN,,景点约束时间T为景点之间的路程耗时T(oi,oj),景点序列价值V的计算公式为
式中o为景点,α为权值和距离之间的平衡因子,0<α<1,v是旅游者的平均速度。
进一步,步骤2)中局部优化包括对景点距离的优化和对景点权值的优化。
进一步,对景点距离的优化包括以下步骤:假定景点数据中的景点个数为m,自景点数据中挑选一景点作为基准景点,计算该基准景点的个与基准景点距离最接近的景点,计算并比较他们的价值,选取价值最大的景点序列,将选取的景点序列中与基准景点距离最接近的景点作为下次计算的基准景点然后重复以上步骤,从而得到最终的景点游览序列。
进一步,对景点权值的优化包括以下步骤:假定景点数据中的景点个数为m,自景点数据中挑选一景点作为基准景点,计算该基准景点的个中权值较大的景点,计算并比较他们的价值,选取价值最大的景点序列,将选取的景点序列中与基准景点距离最接近的景点作为下次计算的基准景点然后重复以上步骤,从而得到最终的景点游览序列。
进一步,步骤2)中全局优化包括以下步骤:1)首先将开始景点加到OPEN列表中从OPEN列表中选取价值最大的景点,并将其定义为当前景点;表示景点游览序列已经选择,则停止循环;否则,重复执行以下步骤:从OPEN列表中选取价值最大的景点,如果其景点约束时间T在范围限制内,就把它移到CLOSE列表中;对于与当前景点邻近的其他任何一个景点,如果是不可达的,或者它已经在CLOSE列表中,则忽略它;否则,执行如下操作;如果它没在OPEN列表中,就将其加到OPEN列表中,并将当前景点看做该景点的祖先,计算该景点的价值;如果它已经在OPEN列表中,则通过当前序列的价值判断这条到达该景点的路径是否是最好的,价值越大表示该路径越好;如果该路径已经是最好的,则将该景点的祖先看做当前景点,并且重新计算该景点的价值。
进一步,用户对景点距离更为看重时,选择对景点距离的优化计算得到景点游览序列;用户对景点的特色以及个人喜好更为看重时,选择对景点权值的优化计算得到景点游览序列;用户对景点距离、景点的特色以及个人喜好的综合因素更为看重时,选择全局优化计算得到景点游览序列。
本发明的时空景点游览序列选择***,包括数据存储层和数据分析层,数据存储层用来存储景点数据;数据分析层用于根据数据存储层储存的景点数据,通过数据分析层中的局部优化模块或者全局优化模块进行处理得到景点游览序列。
进一步,所述景点数据包括地图路网数据和Web资源数据。
进一步,局部优化模块包括景点距离的优化模块和景点权值的优化模块,用户对景点距离更为看重时,选择景点距离的优化模块计算得到景点游览序列;用户对景点的特色以及个人喜好更为看重时,选择景点权值的优化模块计算得到景点游览序列;用户对景点距离、景点的特色以及个人喜好的综合因素更为看重时,选择全局优化模块计算得到景点游览序列。
本发明考虑了景点的旅游特色和用户的兴趣爱好这两个关键的影响因素,从而能为用户提供更高效的、个性化的时空景点序列。该方法综合考虑距离、权值、游览时间和景点特色等因素,从而为用户提供一个最优的时空景点序列。本发明选择得到的景点游览序列能够使用户在其旅游时间范围限制内,走最少的路程来游览他最想游览的那些景点。
附图说明
图1为本发明的时空景点游览序列选择***的示意图;
图2为本发明的时空景点游览序列选择的结果对比图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,时空景点游览序列选择***包括:数据层、数据清洗和预处理、特征分析和模式挖掘、知识库、服务层,
数据层用来存储地图路网数据和Web资源数据等数据源,它的功能是进行数据的搜集和整理,为上层提供丰富的源数据。在实际应用中可以根据不同应用场景的数据定制合适的存储模式。在本发明中,使用XML文件存储样例数据。要注意的是,查询点信息虽然也是查询所需的重要数据但不存储在数据层,而是在用户发送查询请求的时候直接提供给计算服务器。这样做可以避免数据层不必要的存储查询开销。
数据清洗和预处理部分负责对数据层中的源数据进行预处理,消除噪声,滤除与特征分析和模式挖掘无关的冗余数据,并且利用统计等方法对Web资源数据进行预分类。
上述的数据层以及数据清洗和预处理部分只是为了得到适用处理的景点数据源,其预处理方法采用常规方法即可,在此不做过多说明。
特征分析和模式挖掘部分专注于逻辑功能的实现,是整个***的核心,使用Java编写。它是景点特色挖掘,景点特色与用户兴趣爱好的匹配,以及时空景点序列分析等各类算法的集合。并将不同的算法划分成小的模块,每个模块可以完成一种特定的查询要求。
知识库中存储的是经过特征分析和模式挖掘之后得到的各类规则和知识。在此之前,我们首先要对特征分析和模式挖掘步骤中检测出的结果进行评估。经过用户或机器评估后,可能会发现其中存在冗余或无关的结果,此时应该将其剔除。知识库中只保留那些经过评估和验证后的、能真实反映用户需求的、有用的知识和规则。
服务层负责将检测出的结果直观地呈现给用户,同时给用户提供一些操作接口,用来向算法层发送查询请求,从而能够更好地为用户提供个性化的服务。服务层的设计目标是用户友好、功能全面、轻便且兼容性好。
本发明的时空景点游览序列选择方法,具体步骤为:
1)根据用户的喜好和景点特色对每一景点数据预设权值;
2)根据用户的旅游需要,通过局部优化或者全局优化对景点数据进行处理得到景点游览序列。
步骤2)中用户的旅游需要包括景点距离D、景点权值w、景点约束时间T和景点序列价值V,其中景点距离D为景点之间的路网距离DdisN,,景点约束时间T为景点之间的路程耗时T(oi,oj),景点序列价值V的计算公式为
式中o为景点,α为权值和距离之间的平衡因子,0<α<1,v是旅游者的平均速度。
步骤2)中局部优化包括对景点距离的优化和对景点权值的优化,对景点距离的优化(d-LOA查询)包括以下步骤:假定景点数据中的景点个数为m,自景点数据中挑选一景点作为基准景点,计算该基准景点的个与基准景点距离最接近的景点,计算并比较他们的价值,选取价值最大的景点序列,将选取的景点序列中与基准景点距离最接近的景点作为下次计算的基准景点然后重复以上步骤,从而得到最终的景点游览序列。对景点距离的优化如表1所示。其中S为起始景点,E为最终景点,景点集合为I,景点序列建立过程中的中间景点序列为Qa,景点游览的约束时间为Ttotal。
表1
对景点权值的优化(W-LOA查询)包括以下步骤:假定景点数据中的景点个数为m,自景点数据中挑选一景点作为基准景点,计算该基准景点的个中权值较大的景点,计算并比较他们的价值,选取价值最大的景点序列,将选取的景点序列中与基准景点距离最接近的景点作为下次计算的基准景点然后重复以上步骤,从而得到最终的景点游览序列。对景点权值的优化如表2所示。其中S为起始景点,E为最终景点,景点集合为I,景点序列建立过程中的中间景点序列为Qa,景点游览的约束时间为Ttotal。
表2
步骤2)中全局优化(GOA查询)包括以下步骤:1)首先将开始景点加到OPEN列表中从OPEN列表中选取价值最大的景点,并将其定义为当前景点;表示景点游览序列已经选择,则停止循环;否则,重复执行以下步骤:从OPEN列表中选取价值最大的景点,如果其景点约束时间T在范围限制内,就把它移到CLOSE列表中;对于与当前景点邻近的其他任何一个景点,如果是不可达的,或者它已经在CLOSE列表中,则忽略它;否则,执行如下操作;如果它没在OPEN列表中,就将其加到OPEN列表中,并将当前景点看做该景点的祖先,计算该景点的价值;如果它已经在OPEN列表中,则通过当前序列的价值判断这条到达该景点的路径是否是最好的,价值越大表示该路径越好;如果该路径已经是最好的,则将该景点的祖先看做当前景点,并且重新计算该景点的价值。全局优化如表3所示。其中S为起始景点,E为最终景点,景点集合为I,景点序列建立过程中的中间景点序列为Qa,景点游览的约束时间为Ttotal。
表3
用户对景点距离更为看重时,选择对景点距离的优化计算得到景点游览序列;用户对景点的特色以及个人喜好更为看重时,选择对景点权值的优化计算得到景点游览序列;用户对景点距离、景点的特色以及个人喜好的综合因素更为看重时,选择全局优化计算得到景点游览序列。
图2给出了本发明的一个例子。密集网格序列和疏松网格序列分别包含6个具有不同权值的景点,及其时间刻度。每个序列中按照游览顺序列出了所游览的各个景点。时间刻度是以分钟为单位的,景点的游览时间以及景点与景点之间的转换耗时都以不同长度的矩形框表示。当用户来到某个城市时,***根据景点特色和用户的兴趣爱好,自动地为每个景点赋予一个权值。权值越大表示该景点的旅游特色与用户的兴趣爱好越匹配。然后选择权值最大的(w1,w2,w3,w4,w5,w6),也就是用户最感兴趣的六个景点(o1,o2,o3,o4,o5,o6)。给定这六个景点,存储景点特色的数据库很快计算出一个合理的时空序列(如图2中的密集网格序列)。疏松网格序列是用户根据其他人的通用路线得到的。图2对这两个不同的序列进行了比较。其中,总旅游时间不仅包括景点的游览耗时,而且包括景点之前的路程耗时(时间刻度中的矩形框)。由于对这些景点的游览次序不同,所以这两个序列的持续时间也是不同的(密集网格序列的持续时间不到6个小时,而疏松网格序列却多于9个小时)。很明显,一种最理想的方法就是给出一个优化的景点序列,重新安排景点的游览顺序,使其在限定的旅游时间内获得最大的价值。对于密集网格序列而言,只有2个较大的过度(从Wilcox Lake到Ticonderoga的56和从Ticonderoga到High Peeks的30)。前三个旅游景点(Ferris Lake,Silver Lake,Wilcox Lake)之间和后两个旅游景点(High Peeks,Varderwhacker)之间是邻近的,它们之间几乎没有路程耗时。
综上所述,在本发明的时空景点游览序列分析方法中,利用了包含世界各地大部分游览区域的Flickr数据,全面地覆盖了世界任何区域的景点信息;综合考虑了景点的旅游特色和用户的兴趣爱好这两个关键的影响因素;贴合实际应用,在路网上分析了STS问题,从而能为用户提供更高效的、个性化的时空景点序列
上述各实例仅用于说明本发明,其中各部件的结构、连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种时空景点游览序列选择方法,具体步骤为:
1)根据用户的喜好和景点特色对每一景点数据预设权值;
2)根据用户的旅游需要,通过局部优化或者全局优化对景点数据进行处理得到景点游览序列。
2.如权利要求1所述的时空景点游览序列选择方法,其特征在于,步骤2)中用户的旅游需要包括景点距离D、景点权值w、景点约束时间T和景点序列价值V,其中景点距离D为景点之间的路网距离DdisN,,景点约束时间T为景点之间的路程耗时T(oi,oj),景点序列价值V的计算公式为
式中o为景点,α为权值和距离之间的平衡因子,0<α<1,v是旅游者的平均速度。
3.如权利要求2所述的时空景点游览序列选择方法,其特征在于,步骤2)中局部优化包括对景点距离的优化和对景点权值的优化。
6.如权利要求2所述的时空景点游览序列选择方法,其特征在于,步骤2)中全局优化包括以下步骤:1)首先将开始景点加到OPEN列表中从OPEN列表中选取价值最大的景点,并将其定义为当前景点;表示景点游览序列已经选择,则停止循环;否则,重复执行以下步骤:从OPEN列表中选取价值最大的景点,如果其景点约束时间T在范围限制内,就把它移到CLOSE列表中;对于与当前景点邻近的其他任何一个景点,如果是不可达的,或者它已经在CLOSE列表中,则忽略它;否则,执行如下操作;如果它没在OPEN列表中,就将其加到OPEN列表中,并将当前景点看做该景点的祖先,计算该景点的价值;如果它已经在OPEN列表中,则通过当前序列的价值判断这条到达该景点的路径是否是最好的,价值越大表示该路径越好;如果该路径已经是最好的,则将该景点的祖先看做当前景点,并且重新计算该景点的价值。
7.如权利要求4、5或6任一所述的时空景点游览序列选择方法,其特征在于,用户对景点距离更为看重时,选择对景点距离的优化计算得到景点游览序列;用户对景点的特色以及个人喜好更为看重时,选择对景点权值的优化计算得到景点游览序列;用户对景点距离、景点的特色以及个人喜好的综合因素更为看重时,选择全局优化计算得到景点游览序列。
8.一种采用如权利要求1-7任一项所述的时空景点游览序列选择方法的***,其特征在于,包括数据存储层和数据分析层,数据存储层用来存储景点数据;数据分析层用于根据数据存储层储存的景点数据,通过数据分析层中的局部优化模块或者全局优化模块进行处理得到景点游览序列。
9.如权利要求8所述的***,其特征在于,所述景点数据包括地图路网数据和Web资源数据。
10.如权利要求8所述的***,其特征在于,局部优化模块包括景点距离的优化模块和景点权值的优化模块,用户对景点距离更为看重时,选择景点距离的优化模块计算得到景点游览序列;用户对景点的特色以及个人喜好更为看重时,选择景点权值的优化模块计算得到景点游览序列;用户对景点距离、景点的特色以及个人喜好的综合因素更为看重时,选择全局优化模块计算得到景点游览序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101449512A CN102207965A (zh) | 2011-05-31 | 2011-05-31 | 一种时空景点游览序列选择***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101449512A CN102207965A (zh) | 2011-05-31 | 2011-05-31 | 一种时空景点游览序列选择***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102207965A true CN102207965A (zh) | 2011-10-05 |
Family
ID=44696799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101449512A Pending CN102207965A (zh) | 2011-05-31 | 2011-05-31 | 一种时空景点游览序列选择***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102207965A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984684A (zh) * | 2013-02-07 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 基于lbs的可达区域确定方法及设备 |
CN103984683A (zh) * | 2013-02-07 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 基于lbs的检索方法及设备 |
CN104102719A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
CN106021618A (zh) * | 2016-07-13 | 2016-10-12 | 桂林电子科技大学 | 一种景区游览信息查询和管理***及方法 |
-
2011
- 2011-05-31 CN CN2011101449512A patent/CN102207965A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984684A (zh) * | 2013-02-07 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 基于lbs的可达区域确定方法及设备 |
CN103984683A (zh) * | 2013-02-07 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 基于lbs的检索方法及设备 |
CN103984684B (zh) * | 2013-02-07 | 2019-08-27 | 百度在线网络技术(北京)有限公司 | 基于lbs的可达区域确定方法及设备 |
CN103984683B (zh) * | 2013-02-07 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 基于lbs的检索方法及设备 |
CN104102719A (zh) * | 2014-07-18 | 2014-10-15 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
CN104102719B (zh) * | 2014-07-18 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 一种轨迹信息的推送方法及装置 |
CN106021618A (zh) * | 2016-07-13 | 2016-10-12 | 桂林电子科技大学 | 一种景区游览信息查询和管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8386479B2 (en) | Routing methods for multiple geographical entities | |
Xu et al. | Taxi-RS: Taxi-hunting recommendation system based on taxi GPS data | |
Shekhar et al. | Processing in-route nearest neighbor queries: a comparison of alternative approaches | |
Wu et al. | Mining spatio-temporal reachable regions over massive trajectory data | |
Yan et al. | Towards Semantic Trajectory Data Analysis: A Conceptual and Computational Approach. | |
CN107818412A (zh) | 一种基于MapReduce的大规模公交乘客OD并行计算方法 | |
CN106897374A (zh) | 一种基于轨迹大数据最近邻查询的个性化推荐方法 | |
CN102207965A (zh) | 一种时空景点游览序列选择***和方法 | |
Ghosh et al. | Traj-cloud: a trajectory cloud for enabling efficient mobility services | |
CN100520300C (zh) | 城际导航路径的计算方法 | |
Ghosh et al. | Skyline computation over multiple points and dimensions | |
Li et al. | TORD problem and its solution based on big trajectories data | |
Ding et al. | Efficient maintenance of continuous queries for trajectories | |
Vaziri et al. | Discovering tourist attractions of cities using Flickr and OpenStreetMap data | |
Pat et al. | Where's Waldo? Geosocial Search over Myriad Geotagged Posts | |
Zhou et al. | Sts: complex spatio-temporal sequence mining in flickr | |
Tang et al. | Supporting continuous skyline queries in dynamically weighted road networks | |
Wu et al. | STKST-I: An Efficient Semantic Trajectory Search by Temporal and Semantic Keywords | |
Gorgul et al. | A visualization based analysis to assist rebalancing issues related to last mile problem for bike sharing programs in China: a big-data case study on mobike | |
Xu et al. | GMOBench: Benchmarking generic moving objects | |
Liu et al. | Fusing Spatio-Temporal Contexts into DeepFM for Taxi Pick-Up Area Recommendation. | |
Yu et al. | Efficient Spatio-Temporal-Data-Oriented Range Query Processing for Air Traffic Flow Statistics | |
Xu | Trip similarity computation for context-aware travel recommendation exploiting geotagged photos | |
Abraham et al. | Trajectory similarity of network constrained moving objects and applications to traffic security | |
He et al. | Path queries on massive graphs based on multi-granular graph partitioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111005 |