نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

با ظهور تلفن های هوشمند آگاه از موقعیت مکانی، تمایل به خدمات ناوبری مبتنی بر عابر پیاده افزایش یافته است. برخلاف سرویس‌های مبتنی بر خودرو که دستورالعمل‌ها معمولاً شامل نام مسافت و جاده می‌شوند، دستورالعمل‌های عابر پیاده باید به جای آن بر تحویل نقاط دیدنی برای کمک به ناوبری تمرکز کنند. OpenStreetMap (OSM) حاوی مقدار زیادی اطلاعات مکانی است که می توان برای شناسایی این ویژگی های شاخص از آنها بهره برد. این مقاله یک سرویس ناوبری نمونه اولیه را ارائه می‌کند که نشانه‌های مناسب برای دستورالعمل‌های ناوبری را از مجموعه داده OSM بر اساس چندین معیار استخراج می‌کند. این با مقایسه کوتاهی از در دسترس بودن نقطه عطف در OSM همراه است، تفاوت در مسیرهای بین مکان‌ها با سطوح مختلف کامل بودن OSM و ارزیابی کوتاهی از مناسب بودن نشانه‌های ارائه شده توسط نمونه اولیه. استخراج نقطه عطف بر روی یک سرویس سمت سرور انجام می شود و دستورالعمل ها به یک برنامه ناوبری عابر پیاده در حال اجرا بر روی یک دستگاه تلفن همراه Android تحویل داده می شود.
کلید واژه ها: 

نقاط دیدنی ; ناوبری ; اپلیکیشن های موبایل ؛ عابر پیاده OpenStreetMap ; OSM ; مسیریابی

 

1. معرفی

در سال های اخیر با ظهور دستگاه های تلفن همراه که به اینترنت متصل هستند و دارای عملکرد GPS هستند، افراد بیشتری از خدمات مسیریابی و ناوبری استفاده می کنند که اکنون در هر زمان و مکان در دسترس هستند. در حالی که برنامه‌های ناوبری مبتنی بر ماشین بر روی فواصل و نام‌ها/اعداد خیابان‌ها تمرکز دارند، عابران پیاده معمولاً از نقاط دیدنی برای حرکت از مکانی به مکان دیگر استفاده می‌کنند (و ترجیح می‌دهند). با این حال، سرویس‌های اصلی مسیریابی مانند Google، Bing و MapQuest، هنوز (در زمان نگارش مقاله) از دستورالعمل‌های ناوبری عابر پیاده مشابه آنچه در سیستم‌های ناوبری خودرو یافت می‌شود، استفاده می‌کنند. این نه تنها در مواردی که کاربران در قضاوت مسافت ها خوب نیستند یا نام خیابان های استفاده شده مسدود شده است، می تواند مشکل ساز باشد، یک سیگنال GPS ضعیف می تواند به کاربر نشان دهد که از پیچ مورد نظر دور شده است حتی پس از اینکه ممکن است قبلاً آن را پشت سر گذاشته باشد. با استفاده از نشانه ها در دستورالعمل های مسیریابی، یک نقطه مرجع بتن در محیط شکل می گیرد. اگر دقت GPS مسافر کاهش یابد، آنها همچنان می توانند جسم فیزیکی موجود در محیط را ببینند و بر اساس آن تصمیم بگیرند نه آنچه GPS به آنها می گوید. به طور کلی، خدمات ناوبری تجاری که امروزه در دسترس هستند از اصول مشابهی برای ناوبری خودرو و عابر پیاده استفاده می کنند، حتی اگر شواهدی وجود داشته باشد که دستورالعمل های مبتنی بر فاصله/جهت برای ناوبری عابر پیاده ایده آل نیستند. اگر دقت GPS مسافر کاهش یابد، آنها همچنان می توانند جسم فیزیکی موجود در محیط را ببینند و بر اساس آن تصمیم بگیرند نه آنچه GPS به آنها می گوید. به طور کلی، خدمات ناوبری تجاری که امروزه در دسترس هستند از اصول مشابهی برای ناوبری خودرو و عابر پیاده استفاده می کنند، حتی اگر شواهدی وجود داشته باشد که دستورالعمل های مبتنی بر فاصله/جهت برای ناوبری عابر پیاده ایده آل نیستند. اگر دقت GPS مسافر کاهش یابد، آنها همچنان می توانند جسم فیزیکی موجود در محیط را ببینند و بر اساس آن تصمیم بگیرند نه آنچه GPS به آنها می گوید. به طور کلی، خدمات ناوبری تجاری که امروزه در دسترس هستند از اصول مشابهی برای ناوبری خودرو و عابر پیاده استفاده می کنند، حتی اگر شواهدی وجود داشته باشد که دستورالعمل های مبتنی بر فاصله/جهت برای ناوبری عابر پیاده ایده آل نیستند.
با افزایش دستگاه های مجهز به GPS و تصاویر هوایی، خدماتی مانند OpenStreetMap نیز شاهد افزایش استفاده بوده اند. OpenStreetMap (OSM) نمونه بارز اطلاعات جغرافیایی داوطلبانه (VGI) است. VGI اصطلاحی است که توسط Goodchild [ 1] و به مورد جغرافیایی پدیده وب محتوای تولید شده توسط کاربر اشاره دارد که به موجب آن هر کسی می تواند اطلاعاتی در مورد جهان جغرافیایی ارائه دهد. کاربران می توانند خطوط کلی ساختمان ها را ردیابی کنند، مرزهای مناطق شهری را ترسیم کنند و اطلاعاتی مانند نام یک مغازه یا زمان افتتاح یک مرکز ورزشی را به اشیا اضافه کنند. در مورد OSM، همه این اطلاعات به راحتی برای دسترسی در دسترس است و بنابراین منبع داده حیاتی برای تعدادی از تحقیقات علمی را تشکیل می دهد. با این حال، مهم است که بدانید که کامل بودن مجموعه داده OSM به ویژه با شهرهای متراکم در اروپای غربی که اغلب دارای سطح بسیار بالاتری از کامل بودن نسبت به سایر نقاط جهان هستند، ناهمگن است. با این حال همیشه این امکان وجود دارد که کامل بودن داده های OSM در طول زمان افزایش یابد. در دسترس بودن آشکار اطلاعات جغرافیایی و معنایی موجود در OSM، آن را به یک کاندیدای اصلی برای حاوی اطلاعات در مورد ویژگی هایی تبدیل می کند که می توانند به عنوان نقاط عطف دیده شوند. استفاده از این مجموعه داده برای چنین وظیفه شناسایی نقطه عطفی موضوع تحقیق ارائه شده در اینجا است.
تمرکز این مقاله توصیف یک نمونه اولیه است که در حال حاضر برای یک سرویس ناوبری مبتنی بر عابر پیاده و روش‌های مورد استفاده در آن توسعه می‌یابد. در این سرویس، شناسایی نقاط عطف مناسب برای تحویل در دستورالعمل‌های مسیریابی، تمرکز اصلی تحقیقاتی بوده است. برخلاف تعدادی از کارهای قبلی، سرویس شناسایی نقطه عطف ارائه شده تنها از مجموعه داده های بالقوه جهانی OSM به عنوان منبع داده برای نشانه ها استفاده می کند، به این معنی که از نظر فنی برای پیاده سازی در مقیاس بزرگتر مقیاس پذیر است. ساختار باقی مانده این مقاله به شرح زیر است. پس از بررسی در بخش 2 کارهای مرتبط در زمینه های ناوبری، شناسایی نشانه و کامل بودن OSM، بخش 3 و بخش 4روش های مورد استفاده برای تشخیص نقطه عطف و نمونه اولیه توسعه یافته برای سرویس ناوبری را ارائه می دهد. تمرکز روی داده‌های مورد استفاده (OSM)، روش‌هایی برای محاسبه معیارها است که می‌تواند به تعیین اینکه آیا یک ویژگی می‌تواند به عنوان نقطه عطف دیده شود یا خیر، و معماری کلی سرویس کمک می‌کند. سپس بخش 5 به خروجی سرویس می‌پردازد تا مقایسه کوتاهی با سرویس‌های مسیریابی اصلی و اثرات آن هنگام انجام مسیریابی در ناحیه‌ای با کامل بودن OSM پایین ارائه کند. علاوه بر این، یک تحقیق کوتاه برای بررسی مناسب بودن نشانه‌های شناسایی شده در مقایسه با موارد مورد استفاده توسط افراد هنگام ارائه جهت مسیریابی انجام می‌شود. در نهایت، بخش 6کار را خلاصه می کند و مراحل بعدی را برای توسعه نمونه اولیه همراه با پیشنهاداتی برای موضوعات تحقیقات آینده ارائه می دهد.

2. آثار مرتبط

استفاده از نشانه‌ها در دستورالعمل‌های ناوبری ارتباط نزدیکی با نحوه درک و ساختن بازنمایی ذهنی از محیط اطرافمان دارد. در طول سالها، تحقیقات زیادی در مورد این موضوع ادراک انجام شده است. در یکی از اولین و تاثیرگذارترین مطالعات انجام شده توسط لینچ [ 2 ]، توضیح داده شد که هنگام درک یک محیط شهری، همه ویژگی ها را می توان در یک (یا چند) از پنج دسته قرار داد: مناطق، راه ها، لبه ها، گره ها و نشانه ها. . به این ترتیب، ویژگی ها و استفاده از ویژگی های فردی نحوه درک ما از آنها و نقش آنها در شهر به عنوان یک کل را تغییر می دهد. اپل یارد [ 3 ] فراتر از کار لینچ [ 2] است] برای بررسی دلایل “شناخته شدن” چنین ویژگی هایی. از مطالعات کاربر، او مشخص کرد که این ویژگی‌ها با قابلیت مشاهده، شکل و اهمیت فرهنگی یک ویژگی مرتبط هستند. ویژگی های فردی شناسایی شده عبارت بودند از: حرکت، کانتور، اندازه، شکل، سطح، کیفیت و علائم (همه برای فرم)، دید از سازه های جاده، دید در نقاط تصمیم گیری و مرکزیت به خط دید (همه مرتبط با دید) و شدت استفاده، تکینگی ویژگی در یک محیط و ارزش نمادین (همه نشان دهنده اهمیت فرهنگی). با گذشت سالها، از چنین ویژگی هایی به عنوان برجسته یاد می شود. یکی دیگر از مطالعات بسیار تأثیرگذار در رابطه با بازنمایی فضایی ذهنی، مطالعه سیگل و وایت است [ 4 ]]. در تحقیقات خود، آنها تشخیص دادند که هنگام یادگیری یک محیط، سه شکل از دانش فضایی تولید می شود: نشانه، مسیر و پیکربندی. دانش نقطه عطف نمایشی از ویژگی های متمایز در یک محیط را تشکیل می دهد. دانش مسیر به مسیرهای بین این ویژگی های متمایز اشاره دارد. و دانش پیکربندی یک نمای کلی از محیط به عنوان یک کل است. ضرورت وجود نشانه‌ها برای شکل‌گیری این دانش نشان می‌دهد که نشانه‌ها جنبه مهمی از فرآیند ناوبری هستند.

2.1. نقاط دیدنی در ناوبری

از مطالعات اولیه، یکی از جنبه هایی که به نظر می رسد با توجه به درک فضا بسیار مهم است، نشانه ها است. در واقع، در وظایف مسیریابی و ناوبری، استفاده از نشانه‌ها یک جنبه کلیدی است [ 5 ، 6 ]، و تحقیقات زیادی در مورد نحوه استفاده از نشانه‌ها در وظایف ناوبری انجام شده است [ 4 ، 7 ، 8] ] با اهمیت متمایز در رابطه با توضیحات مسیریابی [ 6 ، 9 ، 10 ]. به طور خاص، تحقیقات زیادی در رابطه با ناوبری مبتنی بر عابر پیاده ظاهر شده است [ 11 ، 12 ، 13 ، 14، 15 ، 16 ]، که در آن استفاده از نشانه ها می تواند بسیار سودمند دیده شود.
می و همکاران علاوه بر ارائه در نقاط تصمیم گیری کلیدی. [ 10 ] مشخص کرد که ارائه نشانه‌ها در مکان‌های موقت به عنوان وسیله‌ای برای بهبود اعتماد کاربران نیز مفید است. آنها همچنین بیان می‌کنند که در مسیریابی عابر پیاده نباید به مسافت‌ها و نام جاده‌ها اعتماد کرد، اگرچه اطلاعات ثانویه (که می‌تواند نام جاده باشد) برای تأیید اینکه کاربر تصمیم درستی گرفته است باید ارائه شود (یعنی «بعد از استارباکس به چپ بپیچید، به میدان بازار”). در واقع، نشانه‌ها قبلاً در پلتفرم‌های مسیریابی تجاری، مانند سرویس WhereIs استرالیا ( http://whereis.com.au ) ادغام شده‌اند. روشهای اجرا شده روشهای داکهام، وینتر و رابینسون [ 17] بود]، و تحقیق نشان داد که انتخاب نقطه عطف وابسته به جهت است (نقاط عطف مورد استفاده در سفر برگشت با موارد مورد استفاده در سفر بیرونی متفاوت است) و وابسته به مسیر (نقاط عطف ذکر شده در نقطه عطف یک مسیر ممکن است لزوماً در مسیر دیگر ظاهر نشوند. مسیری که مسافر در همان تقاطع مستقیم به جلو ادامه می دهد). آنها همچنین خاطرنشان کردند که خدمات مسیریابی تجاری موجود که ادعا می‌کردند از نشانه‌ها در دستورالعمل‌های ناوبری استفاده می‌کنند، به نظر نمی‌رسد که بسیاری از اصول شناختی اساسی مورد بحث در ادبیات را در نظر بگیرند. با این حال، در زمان نگارش، مسیرهایی که از طریق سرویس WhereIs تولید می‌شوند، دیگر نشانه‌هایی را در دستورالعمل‌های مسیریابی ارائه نمی‌کنند.
در برخی از مطالعات تحقیقاتی که مسیریابی و نشانه‌ها را بررسی می‌کنند، به جای مرتبط کردن نشانه‌ها به دستورالعمل‌های مسیریابی تولید شده، خود مسیرها بر اساس حضور نشانه‌ها در محیط‌ها ایجاد می‌شوند (به عنوان مثال، [18، 19 ] ) . در این پیاده‌سازی‌ها، ساختار نشانه‌ها در رابطه با مسیری که دنبال می‌شود، یک جزء حیاتی برای ارزیابی تشکیل می‌دهد، که نشان می‌دهد انتخاب نشانه‌ها صرفاً به ارتباط آنها با محیط اطرافشان بستگی ندارد، بلکه به مسیری که شخص می‌رود نیز بستگی دارد. دنبال می کند.
واضح است که با بسیاری از آثاری که در مورد این مفهوم بحث می‌کنند، نشانه‌ها نقش حیاتی در جهت‌یابی دارند. با این حال، آنچه که یک ویژگی را به یک نقطه عطف تبدیل می‌کند، موضوع دیگری است که قبل از ارائه خودکار ویژگی‌ها در دستورالعمل‌های ناوبری، نیاز به بررسی دارد.

2.2. ویژگی ها و تشخیص نشانه ها

همانطور که ذکر شد، برجسته بودن ویژگی ها جنبه مهمی در مورد استفاده از آنها به عنوان نشانه است [ 8 ، 14 ]. این برجستگی را می توان از رابطه بین ناظر، محیط و خود ویژگی شکل گرفت [ 20 ]. در کار سوروز و هیرتل [ 21 ]، ویژگی هایی که به برجسته شدن یک ویژگی کمک می کنند به سه دسته اصلی تقسیم شدند: برجستگی بصری، برجستگی شناختی و برجستگی ساختاری. این دسته بندی ها و ویژگی های درون آنها در تعدادی از مطالعات بعدی، مانند مطالعات Raubal و Winter [ 8 ] و Nothegger، Winter و Raubal [ 14] استفاده می شود.]. این دسته‌بندی‌های سطح بالاتر را می‌توان با آن‌هایی که توسط Appleyard [ 3 ] ارائه شده است، با نگاشت برجستگی شناختی به ارزش نمادین، نگاشت برجستگی ساختاری نزدیک‌تر به ویژگی‌های دسته دید اپل یارد و در نهایت نگاشت برجستگی بصری نزدیک‌تر به مقوله فرم ترسیم کرد.
در سراسر ادبیات برجسته برجسته، بسیاری از مطالعات مشخص کرده‌اند که چه نوع ویژگی‌ها و ویژگی‌های یک ویژگی به برجسته‌بودن آن کمک می‌کنند. اغلب، این ویژگی ها به نوبه خود با سه دسته برجسته ذکر شده ترسیم می شوند. وقتی به برجستگی بصری نگاه می کنیم، ویژگی های غالب عبارتند از شکل [ 8 ، 14 ، 15 ]، اندازه [ 8 ، 14 ، 15 ، 22 ، 23 ]، رنگ [ 8 ، 14 ، 15 ، 22 ، 24 ]، پیچیدگی [ 23،2 ] . ]، ارتفاع [ 23 ،24 ]، سن [ 22 ]، نام [ 22 ] و سبک سقف [ 23 ]. قابل مشاهده بودن ویژگی نیز مهم است [ 8 ، 14 ، 15 ، 22 ، 25 ، 26 ]، که می تواند به عنوان یک ویژگی بصری و ساختاری دیده شود. سایر مشخصات ساختاری عبارتند از ارتباط ویژگی با تقاطع جاده یا نقطه عطف [ 6 ، 24 ، 26 ] و همچنین فاصله از جاده و زاویه نسبت به آن [ 27 ]. برجستگی شناختی را اغلب می توان به جنبه هایی مانند اهمیت فرهنگی و تاریخی نسبت داد [ 14]، 15 ] و فعالیت [ 28 ].
به طور کلی، تعدادی از مطالعات با هدف شناسایی نشانه ها از یک مجموعه داده بر اساس ویژگی های فردی (به عنوان مثال، رنگ و ارتفاع). اگرچه در واقع چنین ویژگی هایی به برجستگی کلی یک ویژگی کمک می کنند، وجود اطلاعات برای این ویژگی ها اغلب در مجموعه داده ها وجود ندارد. در طول مطالعات مربوط به شناسایی نقطه عطف، تعدادی از منابع داده های مختلف استفاده شده است. این مجموعه داده ها شامل مجموعه داده های کاداستر [ 27 ]، مجموعه های عکاسی سطح خیابان [ 14 ، 15 ] و مدل های سه بعدی شهر [ 23] است.]. اگرچه بسیاری از این منابع داده پتانسیل ارائه اطلاعات مفید را دارند، بسیاری از آنها به تفسیر دستی و جمع آوری داده ها نیاز دارند یا فقط برای مناطق کوچکتر در دسترس هستند. به این ترتیب، بسیاری از روش‌ها برای استخراج نشانه در تعیین اینکه چه چیزی یک نقطه عطف را می‌سازد و در نتیجه انتخاب ویژگی‌های مناسب از یک مجموعه داده موفق بوده‌اند، اما معمولاً برای استقرار در مقیاس بزرگ قابل اجرا نیستند.
در مطالعات جدیدتر، گرایشی در استفاده از انواع ویژگی به عنوان نماینده ای برای برجسته بودن آن پدیدار شده است. در روش های ارائه شده توسط داکهام، وینتر و رابینسون [ 17]، نوع یک ویژگی (یعنی اگر رستوران، کلیسا یا سفارت باشد) در فرآیند شناسایی بر خلاف ویژگی های فردی استفاده می شود. مفهوم اصلی این است که برخی از انواع ویژگی ها به طور کلی در محیط برجسته می شوند و به این ترتیب، می توانند به نقاط عطفی تبدیل شوند. هدف این روش شناسایی این است که یک نوع ساختمان چقدر برجسته است و چقدر احتمال دارد که یک نمونه از آن نوع با این برجسته مطابقت داشته باشد. در یک مثال ارائه شده، آنها تأکید می کنند که یک کلیسا به دلیل (در بخش زیادی) ویژگی های فیزیکی آن معمولاً می تواند به عنوان یک نقطه عطف دیده شود، اما در برخی موارد (مانند کلیسای کوچک بیمارستان)، “کلیسا” ممکن است قابل مشاهده نباشد. و بنابراین، مناسب نخواهد بود. با استفاده از روشی برای در نظر گرفتن هر دوی این جنبه ها، نمرات به انواع ویژگی ها اختصاص داده شد. اجرای این روش در بستر WhereIs نشان می دهد که چنین روشی برای استفاده در مقیاس بزرگ قابل اجرا است. در واقع، ریشتر [29 ] نشان می‌دهد که استفاده از دسته‌ها بر خلاف ویژگی‌های فردی، یک جهت امیدوارکننده برای پیاده‌سازی است، زیرا نیاز به مجموعه داده‌های دقیق برای توصیف ویژگی‌های فردی را کاهش می‌دهد.
به دنبال رویکرد مشابهی در استفاده از نوع ویژگی به عنوان شاخص برجسته، Dräger و Koller [ 16 ] استفاده از ویژگی‌های خاص را برای گنجاندن در دستورالعمل‌های ناوبری برای رانندگان خودرو پیشنهاد می‌کنند. اگرچه به نظر می‌رسد روش‌های انتخاب آن‌ها نسبت به روش‌های داکهام، وینتر و رابینسون [ 17 ] کمتر شکل گرفته است ، یک جنبه مورد توجه خاص منبع داده است: OpenStreetMap (OSM). استفاده از OSM به عنوان منبع داده به طور مستقیم به رفع چالش شناسایی شده توسط می و همکاران کمک می کند. [ 10 ]. آنها خاطرنشان می کنند که یکی از چالش های اصلی در هنگام انجام تحقیقات خود، در دسترس بودن یک پایگاه داده قابل کشتیرانی حاوی اطلاعاتی است که می تواند برای شناسایی نشانه ها استفاده شود. OSM می تواند این پایگاه داده قابل پیمایش باشد.
به دور از جنبه هایی که یک ویژگی را به یک نقطه عطف احتمالی تبدیل می کند، مطالعه ارائه شده توسط ریشتر [ 30] یک رویکرد امیدوارکننده ارائه می‌کند که به شناسایی نقش نشانه‌ها برای مسیریابی دستورالعمل‌ها بر اساس ارتباط آنها با یک نقطه تصمیم می‌پردازد. چنین تحلیلی با استخراج خودکار اطلاعات مربوط به جهت داخل و خارج حرکت برای نقطه تصمیم گیری و نحوه ارتباط راس یک ویژگی به صورت موضعی با این جهت ها انجام می شود. اگرچه این مقاله مسلماً اطلاعاتی در مورد چگونگی تعیین ویژگی‌هایی که خود نشانه‌ها هستند ارائه نمی‌کند، روش‌های تفصیلی را می‌توان برای یک سرویس از قبل موجود که این نشانه‌ها را تعریف می‌کند، اعمال کرد. بنابراین، روش‌ها را می‌توان عمدتاً به‌عنوان مؤلفه ساختاری برجستگی نقطه عطف در مقابل جنبه‌های برجسته بصری و معنایی مستندتر مشاهده کرد.
از مطالعات بررسی شده، چندین ویژگی مرتبط با آنچه که یک ویژگی را به یک نقطه عطف تبدیل می کند، شناسایی شده است. اما یک چالش بزرگ این است که داده های مربوط به این ویژگی ها اغلب به سختی به دست می آیند و جمع آوری آنها زمان بر است. یکی از امیدوارکننده ترین رویکردها برای دور زدن این موضوع (همانطور که ذکر شد) استفاده از انواع ویژگی ها به عنوان پروکسی برای برجسته بودن آنها است. چنین اطلاعاتی در مجموعه داده هایی مانند OpenStreetMap بسیار گسترده تر است.

2.3. OpenStreetMap به عنوان منبع داده

در سال‌های اخیر، OpenStreetMap (OSM) به عنوان منبع گسترده‌ای از اطلاعات جغرافیایی داوطلبانه (VGI) ظهور کرده است که می‌تواند به عنوان منبعی برای چنین اطلاعاتی مورد استفاده قرار گیرد. در واقع، تعدادی از مطالعات ذکر شده یا استفاده از مجموعه داده OSM را پیشنهاد کرده اند یا از آن استفاده کرده اند. هدف OSM ایجاد داده‌های جغرافیایی باز است که در آن کاربران می‌توانند به طور فعال اطلاعات جغرافیایی را ویرایش و مشارکت کنند [ 31 ]، که می‌تواند توسط سرویس‌های دیگر استفاده شود. دو مزیت اصلی مجموعه داده OSM این است که حاوی مقدار زیادی اطلاعات معنایی است که اغلب از اطلاعات ارائه شده توسط تامین کنندگان تجاری فراتر می رود و داده ها می توانند به سرعت در پاسخ به خطاها به روز شوند [32 ] .
چندین سرویس از داده های OSM استفاده کرده اند، از جمله OpenRouteService (ORS) ( http://openrouteservice.org ) و Wheelmap ( http://wheelmap.org ). ORS [ 32 ، 33 ] از داده های شبکه جاده ای از OSM در الگوریتم های مسیریابی استفاده می کند و یک API باز ارائه می دهد که از چارچوب OpenLS [ 34 ] پشتیبانی می کند. در گذشته، تلاش‌هایی برای اضافه کردن ناوبری مبتنی بر نقطه عطف به طور مستقیم به چارچوب OpenLS و ORS انجام شد، اگرچه فرآیندهای انتخاب بر اساس منبع محدودی از ویژگی‌ها در مورد نامزدهای بالقوه علامت مشخصه محدود بود [35 ] . مطالعات جدیدتر (همانطور که قبلاً ذکر شد) که سعی در استفاده از OSM به عنوان منبعی برای اطلاعات شاخص دارند، عبارتند از Dräger و Koller [ 16]] و زو و کریمی [ 36 ]. OSM همچنین توسط سازمان های بشردوستانه به عنوان منبع اطلاعات ارزشمند استفاده شده است [ 37 ، 38 ].
با این حال، OSM بدون ضعف نیست. اگرچه مجموعه داده OSM حاوی اطلاعات گسترده ای است، پوشش آن برای کل جهان یکسان نیست و چندین مطالعه به کیفیت داده ها پرداخته اند. در مناطق پرجمعیت دنیای غرب، مجموعه داده های OSM را می توان از نظر کیفیت با مجموعه داده های معتبر مقایسه کرد [ 39 ، 40 ]. برای چنین مناطقی، می توان آن را به عنوان یک منبع داده مفید در نظر گرفت که می تواند برای شناسایی نشانه ها استفاده شود. با این حال، در مناطق روستایی، کامل بودن داده های OSM می تواند مشکلاتی را در فرآیندهای تشخیص نقطه عطف ایجاد کند [ 41]، اما به طور کلی می توان ناوبری عابر پیاده را در مناطق شهری تر که در دسترس بودن داده ها بالاتر است، کاربرد بیشتری دارد.

2.4. خلاصه

از ادبیات بررسی شده، واضح است که نشانه‌ها جنبه مهم ناوبری هستند و مناسب بودن یک ویژگی برای استفاده به‌عنوان یک نشانه به شدت به تعدادی از ویژگی‌ها بستگی دارد. در تعدادی از مطالعات، ارزیابی عمیق صورت گرفته است که از اطلاعات دقیق در مورد ویژگی های موجود در محیط استفاده می کند. اگرچه این مطالعات به طور کلی دلایل مفیدی را در پشت این دلیل ارائه می‌کنند که چرا برخی از ویژگی‌ها نشانه هستند و برخی دیگر نیستند، ارزیابی اساسی ویژگی‌ها به اطلاعاتی نیاز دارد که به طور گسترده در دسترس نیست و جمع‌آوری آن زمان بر است. به این ترتیب، این روش‌های در مقیاس ریز برای اجرا در خدماتی که مناطق وسیعی را پوشش می‌دهند، مناسب نیستند. جایگزین پیشنهاد شده در تحقیقات تحقیقاتی دیگر، استفاده از انواع ویژگی‌ها به‌عنوان نماینده‌ای برای اینکه آیا می‌توان آن‌ها را به‌عنوان یک نقطه عطف در نظر گرفت یا خیر. اگرچه چنین روش‌هایی احتمالاً نمونه‌های بیشتری را معرفی می‌کنند که در آن ویژگی‌های نامناسب به عنوان نشانه‌ها شناسایی می‌شوند، مزایای آن این است که سطح جزئیات برای ویژگی‌ها در داده‌ها بسیار پایین‌تر است. این بدان معنی است که مجموعه داده های عمومی بیشتری را می توان به عنوان منبعی برای ویژگی ها و الگوریتم های تشخیص نقطه عطف استفاده کرد. با این حال، حتی با وجود این قابلیت، منابع داده جهانی مانند OpenStreetMap به عنوان مخزنی برای شناسایی و ارائه نشانه‌ها در دستورالعمل‌های ناوبری مورد استفاده قرار نمی‌گیرند. یکی از دلایل عدم استفاده از OSM این است که در مناطق روستایی، کامل بودن داده ها می تواند مشکلاتی را در فرآیندهای تشخیص نقطه عطف ایجاد کند. این بدان معنی است که مجموعه داده های عمومی بیشتری را می توان به عنوان منبعی برای ویژگی ها و الگوریتم های تشخیص نقطه عطف استفاده کرد. با این حال، حتی با وجود این قابلیت، منابع داده جهانی مانند OpenStreetMap به عنوان مخزنی برای شناسایی و ارائه نشانه‌ها در دستورالعمل‌های ناوبری مورد استفاده قرار نمی‌گیرند. یکی از دلایل عدم استفاده از OSM این است که در مناطق روستایی، کامل بودن داده ها می تواند مشکلاتی را در فرآیندهای تشخیص نقطه عطف ایجاد کند. این بدان معنی است که مجموعه داده های عمومی بیشتری را می توان به عنوان منبعی برای ویژگی ها و الگوریتم های تشخیص نقطه عطف استفاده کرد. با این حال، حتی با وجود این قابلیت، منابع داده جهانی مانند OpenStreetMap به عنوان مخزنی برای شناسایی و ارائه نشانه‌ها در دستورالعمل‌های ناوبری مورد استفاده قرار نمی‌گیرند. یکی از دلایل عدم استفاده از OSM این است که در مناطق روستایی، کامل بودن داده ها می تواند مشکلاتی را در فرآیندهای تشخیص نقطه عطف ایجاد کند.41 ]. اگرچه این می‌تواند مشکلاتی ایجاد کند، OSM هنوز می‌تواند منبع ارزشمندی از اطلاعات در مناطق شهری باشد، و استفاده از داده‌های آن در یک الگوریتم تشخیص نقطه عطف تمرکز بقیه این مقاله است.

3. روش های شناسایی نقطه عطف

همانطور که در ادبیات مشخص شده است، واضح است که برای استخراج موفقیت آمیز نشانه ها از مجموعه ای از ویژگی ها، مهم است که چندین ویژگی، مانند فاصله از نقطه تصمیم گیری و برجسته بودن بصری ویژگی را در نظر بگیریم. بر اساس ادبیات قبلی که در بخش 2 مورد بحث قرار گرفت ، چندین روش در سرویس ناوبری در حال توسعه در تلاش برای شناسایی و ارائه نشانه‌ها در دستورالعمل‌های مسیریابی پیاده‌سازی شده‌اند. این بخش منبع داده مورد استفاده (OSM) و روش های پیاده سازی شده را شرح می دهد.

3.1. منبع اطلاعات

در سرویس ناوبری توسعه یافته، OSM به عنوان منبع داده انتخاب شد. دلیل اصلی این تصمیم، همانطور که قبلا ذکر شد، این بود که داده ها، که حاوی اطلاعات جغرافیایی و معنایی هستند، آشکارا در دسترس هستند و در مناطق هدف برای استفاده (عمدتا مناطق شهری اروپای غربی)، می توان به عنوان نسبتا کامل دیده شود. . ساختار داده زیربنایی برای OSM شامل سه نوع ویژگی اولیه است: گره ها، رشته های خطی و روابط. گره ها ویژگی های نقطه مانند هستند. رشته های خطی مجموعه ای از ویژگی های گره متصل هستند. و روابط برای توصیف روابط بین ویژگی هایی استفاده می شود که ممکن است آشکارا از نظر فیزیکی به هم متصل نباشند (یعنی ایستگاه های اتوبوس در مسیر اتوبوس). ویژگی‌های چند ضلعی مستقیماً در OSM ذخیره نمی‌شوند، بلکه از رشته‌های خط بسته تولید می‌شوند. علاوه بر مختصات جغرافیایی که برای ویژگی‌ها ذخیره می‌شوند، ویژگی‌ها نیز در قالب «برچسب‌ها» ذخیره می‌شوند. این تگ ها جفت های کلید-مقدار هستند و هر ویژگی می تواند هر تعداد تگ داشته باشد (اگرچه هیچ کلیدی را نمی توان در همان ویژگی کپی کرد). به عنوان مثال، یک ساختمان بیمارستان می تواند به عنوان یک خط بسته با برچسب ها نشان داده شودساختمان = بله و امکانات رفاهی = بیمارستان . در OSM در واقع یک کلید برای نشانه ها وجود دارد، اگرچه در سطح جهانی کمتر از 1700 ویژگی دارای برچسب با این کلید هستند.
وقتی به داده‌های OSM برای منطقه لندن بزرگ (بریتانیا) نگاه می‌کنیم، می‌توان چندین ویژگی را در رابطه با جنبه‌هایی که می‌توانند در شناسایی نقطه عطف استفاده شوند، شناسایی کرد. هنگام ارزیابی در دسترس بودن اطلاعات مورد نیاز برای روش های مشخصه فردی (مانند رنگ و ارتفاع)، آشکار می شود که کمبود چنین اطلاعاتی وجود دارد. از 291801 ویژگی چند ضلعی که به عنوان ساختمان شناسایی شده اند (شامل یک برچسب ساختمان است که روی هیچ تنظیم نشده است )، 6822 (2.3٪) دارای برچسبی هستند که رنگ را نشان می دهد ( ساختمان: رنگ یا رنگ ) و 398 (0.14٪) دارای ارتفاع هستند. ارزش ( ساختمان: ارتفاع یا ارتفاع). برای 299572 گره که دارای برخی از ویژگی های مرتبط با آنها هستند (آنها یک یا چند تگ دارند)، تنها 228 (0.076%) دارای مقدار رنگ و 57 (0.019%) دارای مقدار ارتفاع هستند. از همه ویژگی‌ها در منطقه بزرگ لندن، 14 گره (0.005٪) دارای یک برچسب نقطه عطف هستند، بدون چند ضلعی/رشته خطی حامل برچسب.
از سوی دیگر، اگر از انواع خاصی از ویژگی ها استفاده شود ( جدول 1 را برای فهرست انواع ویژگی ها ببینید)، 22299 (7.4%) ویژگی گره به دست می آید. اگر ویژگی های چند ضلعی پرس و جو شود، 15860 ویژگی از 359847 چند ضلعی (4.4٪) شناسایی می شود. پارامترهای جستجوی چند ضلعی کاهش یافت تا همه چند ضلعی ها در این جستجو گنجانده شوند و نه فقط ساختمان ها. این به این دلیل است که ویژگی‌هایی مانند پارک‌ها و زمین‌های بازی، که می‌توانند به عنوان نقاط دیدنی دیده شوند، لزوماً ساختمان نیستند. از این مقادیر، واضح است که OSM به طور کلی فاقد اطلاعات در مورد ویژگی های بصری فردی ویژگی ها است، اما تعداد زیادی از ویژگی ها حاوی اطلاعات مربوط به نوع/استفاده هستند.
بدیهی است، همانطور که قبلاً ذکر شد، کامل بودن داده‌های OSM بین مکان‌ها متفاوت است، اما در یک محیط شهری که ناوبری عابر پیاده کاربرد بیشتری دارد، وجود داده‌ها باید کافی باشد (به ویژه در اروپای غربی). در شهرستان هرتفوردشایر در بریتانیا (~1640 کیلومتر مربع ) که منطقه ای مشابه با لندن بزرگ (~1570 کیلومتر مربع ) دارد.تنها 2225 گره و 2306 چند ضلعی وجود دارد که با پارامترهای نوع ویژگی مطابقت دارند. این ارقام 4.0٪ از 57855 چند ضلعی (هر چند ضلعی در مجموعه داده، نه فقط ساختمان ها) و 3.6٪ از 61،859 گره (حاوی حداقل یک برچسب) را نشان می دهد. بدیهی است که تعداد ویژگی‌های دنیای واقعی که می‌توان از آن‌ها دیدنی‌ها استخراج کرد، در منطقه هرتفوردشایر بسیار کمتر است، که میانگین تراکم جمعیت بسیار کمتری (تقریباً ۷۰۰ نفر در کیلومتر مربع) نسبت به لندن بزرگ (تقریباً ۵۵۰۰ نفر در کیلومتر مربع ) دارد . ) که نتیجه منطقه شهری بسیار کمتر در هرتفوردشایر نسبت به لندن بزرگ است. شکل 1 چگالی نامزد شاخص را بر اساس روش نوع ویژگی در مناطق لندن بزرگ و هرتفوردشایر نشان می دهد.
از این بررسی در مورد در دسترس بودن نامزدهای شاخص در این دو منطقه، می توان دریافت که در مناطق پرجمعیت تر، مجموعه بزرگتری از نامزدهای شاخص وجود دارد. این احتمالاً به دو دلیل است: در مناطق با تراکم جمعیت بالاتر، احتمالاً امکانات و تسهیلات بیشتری وجود خواهد داشت که می تواند نشانه باشد، و در ادبیات نشان داده شده است که مناطق با تراکم جمعیت بالاتر با توجه به داده های OSM کامل تر هستند [39 ] ]. بنابراین، باید توجه داشت که در مناطق کم تراکم تر، اثربخشی هر ابزاری که بر داده های OSM تکیه کند می تواند کاهش یابد.
به طور کلی، اطلاعات مربوط به استفاده از انواع ویژگی ها در مقابل ویژگی های فردی و توزیع ویژگی ها در مناطق شهری و روستایی نشان داده است که در نظر گرفتن نوع ویژگی، نامزدهای شاخص بسیار بیشتری را به دست می دهد، اما حتی در این صورت، در دسترس بودن نامزدها در مناطق روستایی است. محدود. چنین نتایجی باید هنگام ارزیابی استفاده از داده‌های OSM در فرآیندهای شناسایی نقطه عطف در نظر گرفته شوند زیرا ممکن است عملکرد در یک منطقه جغرافیایی در منطقه دیگر یکسان نباشد.

3.2. روش های شناسایی نقطه عطف

با استفاده از OSM به عنوان منبع اطلاعاتی در مورد ویژگی‌هایی در محیط که می‌توانند به نشانه‌ها تبدیل شوند، روش‌هایی مبتنی بر مطالعات قبلی در زمینه شناسایی و ناوبری نشانه‌ها پیاده‌سازی شده‌اند. این فرآیندها در یک سرویس (شرح شده در بخش 4 ) ادغام شده‌اند که دستورالعمل‌های ناوبری را تولید می‌کند که حاوی نشانه‌های یک مسیر است. این بخش اکنون روش‌های مورد استفاده در فرآیند شناسایی را مورد بحث قرار می‌دهد که بر شناسایی شش ویژگی اصلی تمرکز دارد: برجسته بودن بصری/ معنایی، فاصله از نقطه راه، دید، موقعیت، مکان و منحصربه‌فرد بودن.
هنگام شناسایی یک نقطه عطف مناسب برای یک نقطه تصمیم گیری در یک مسیر، دانستن محل نقطه تصمیم گیری، مسیری که مسافر از آن می آید و مسیری که باید در نهایت طی کند، مهم است. هنگامی که مکان نقطه تصمیم مشخص شد، اولین گام این است که همه ویژگی‌هایی را در مجاورت انتخاب کنید که می‌تواند نقطه عطف احتمالی برای نقطه تصمیم باشد. این امر در این سرویس با انتخاب تمام ویژگی هایی که در OSM به عنوان نوع خاصی یا کاربری مشخص شده اند در یک بافر 50 متری در اطراف نقطه عطف انجام می شود. این فاصله مقداری است که بر اساس آزمایش با فواصل مختلف انتخاب شده است تا مساحت کافی برای ارائه نامزدهای شاخص را پوشش دهد، اما نه آنقدر بزرگ که شامل ویژگی‌هایی در فاصله بسیار زیاد باشد. استفاده از مقدار کمتر نیز باعث افزایش عملکرد سرویس می شود. در صورتی که نقطه تصمیم قبلی کمتر از 50 متر از نقطه تصمیم فعلی باشد، فاصله بافر فاصله بین نقطه تصمیم قبلی و فعلی تعیین می شود. این تضمین می کند که نقاط دیدنی پشت سر مسافر انتخاب نمی شوند. برچسب‌های نوع/استفاده مورد استفاده برای انتخاب را می‌توان در آن مشاهده کردجدول 1 . برچسب‌ها بر اساس ترکیبی از مطالعات قبلی، فراوانی استفاده از برچسب در OSM و نظر نویسندگان در مورد انواع ویژگی‌های عمومی که می‌توانند تحت شرایط صحیح به‌عنوان نقاط عطف دیده شوند، انتخاب شده‌اند. با این حال، این در نمونه های اولیه آینده به روز می شود تا انواع ویژگی های شناسایی شده توسط کاربران نهایی را در نظر بگیرد.
در برخی موارد، مانند ویژگی هایی که به عنوان فروشگاه علامت گذاری شده اند، باید اطلاعات اضافی وجود داشته باشد که نشان دهنده نام یا برند فروشگاه است. این به این دلیل است که در بسیاری از موارد، چندین مغازه در مجاورت یکسان هستند و بنابراین، اطلاعات اضافی برای تشخیص افراد مورد نیاز است.
هنگام انتخاب، به هر ویژگی یک مقدار وزن برجسته نیز اختصاص داده می شود که در جدول 1 نشان داده شده است . این مقدار زمانی که در امتیازدهی مناسب بودن کلی استفاده می شود، یک ارزش برجسته قابل مشاهده/معانی پیشنهادی را نشان می دهد. این وزن‌های برجسته در ابتدا توسط نویسندگان با پیروی از اصول مشابهی که توسط داکهام، وینتر و رابینسون ارائه شده‌اند [ 17] استخراج شده‌اند.]. پس از تعیین اولیه، مقادیر بر اساس نتایج به‌دست‌آمده از اجرای فرآیند استخراج، تحت تغییرات تکرار شونده قرار گرفتند. مشخص شد که در برخی موارد، انواع ویژگی‌های خاصی که در یک منطقه رایج بودند در حال تبدیل شدن به غالب بودند، حتی اگر عوامل دیگر (مانند فاصله از نقطه تصمیم‌گیری و منحصربه‌فرد بودن) باید ویژگی‌های فردی را کمتر مناسب کنند. با به روز رسانی وزن برجسته قابل مشاهده / معنایی، چنین انتخاب بیش از حد کاهش یافت.
هنگامی که نامزدهای نقطه عطف انتخاب شدند، ارزیابی هندسی برای شناسایی جنبه های اضافی ویژگی ها در رابطه با نقطه تصمیم گیری انجام می شود، که می تواند به مناسب بودن کلی به عنوان یک نقطه عطف کمک کند. هدف این فرآیندها تعیین موارد زیر است:

  • فاصله ویژگی از نقطه تصمیم،
  • نمایان بودن ویژگی به عنوان نقطه تصمیم نزدیک می شود،
  • موقعیت ویژگی نسبت به نقطه تصمیم (قبل، بعد، در کنار)
  • مکان ویژگی در رابطه با جهت فعلی حرکت (به چپ یا راست)
در محاسبه این جنبه ها، تعدادی مکان در مسیر و نامزدهای نشانه مورد نیاز است. این مکان ها عبارتند از:

  • خود نقطه راه (نقطه تصمیم گیری) ( WP )
  • نقطه مرجع در بخش مسیر فعلی ( RP ). این نقطه مکانی در مسیر نزدیک شدن به ایستگاه بین راه است که به اندازه فاصله بافر برای انتخاب ویژگی ها در منطقه (پیش فرض 50 متر) از نقطه بین راه است.
  • نقطه در محیط نامزد نقطه عطف که نزدیکترین نقطه به نقطه بین راه است ( LWP )
  • نقطه ای در محیط نامزد علامت مشخصه که نزدیکترین نقطه به RP ( LRP ) است.
در صورتی که ویژگی یک نقطه باشد، قبل از استخراج مکان‌های فوق، مراحل اضافی انجام می‌شود. اولاً، اگر ویژگی نقطه در یک چند ضلعی ساختمان قرار گیرد (همانطور که اغلب در OSM اتفاق می افتد)، سپس به نزدیکترین نقطه در محیط ردپای ساختمان منتقل می شود. اگر در یک ردپا نباشد، مکان آن ثابت می ماند. بعد، یک بافر کوچک 0.000001 درجه اعشاری در اطراف آن قرار می گیرد و محیط حاصل از بافر به عنوان ویژگی استفاده می شود. دلیل اصلی استفاده از این بافر این است که تضمین می‌کند که الگوریتم‌های توصیف‌شده می‌توانند هم برای ویژگی‌های OSM نقطه‌ای و هم چندضلعی اعمال شوند، زیرا در نهایت هر دو به عنوان چند ضلعی در فرآیندها نشان داده می‌شوند.
فاصله از ایستگاه بین راه: هنگام نگاه کردن به فاصله از ایستگاه بین راه، از روی ادبیات مشخص شده است که ویژگی های نزدیک تر به ایستگاه بین راه اغلب مناسب تر هستند. بنابراین، نشانگر فاصله با محاسبه فاصله اقلیدسی از WP تا LWP تعیین می شود . سپس این مقدار قبل از محاسبه تناسب نهایی نرمال می شود تا بر اساس معادله بین صفر و یک باشد:

D = 1 – d/ مD�=1–د/م�

که در آن D مقدار نهایی است، d فاصله اقلیدسی بین WP و LWP و MD حداکثر فاصله است که با حداکثر فاصله جستجو برای نشانه‌ها (50 متر در این پیاده‌سازی) مشخص می‌شود.

نمایان بودن ویژگی: برای تعیین نمایان بودن یک ویژگی، در حال حاضر از یک رویکرد ساده و ساده لوح استفاده می شود. اگرچه این روش بهینه نیست، اما این روش نسبتاً سریع است و در اکثر شرایط نتایج صحیحی به دست می‌دهد، و ارزیابی دید اغلب به عنوان یک معیار بسیار مهم در نظر گرفته می‌شود [ 10 ، 22 ، 25 ، 26 ]. برای محاسبه دید، یک خط بین RP و LRP ایجاد می شود . سپس این خط با ردپاهای ساختمان در منطقه مقایسه می شود تا دید بر اساس تقاطع با چند ضلعی های ردپای تعیین شود. ردپای ساختمان از OSM با انتخاب تمام ویژگی‌های منطقه که چند ضلعی هستند و یک ساختمان را حمل می‌کنند شناسایی می‌شوند.برچسب زدن به جای تشخیص اینکه آیا خط از یک ساختمان عبور می کند یا نه، طول هر تقاطع محاسبه شد. در صورتی که هیچ ردپایی رد نشده باشد، این مقدار صفر خواهد بود. با این حال، به دلیل مصنوعات ایجاد شده از پیش‌بینی جغرافیایی و نادرستی داده‌های جزئی، اغلب اتفاق می‌افتد که کاندیدای نقطه عطف با ویژگی در مجموعه ردپای ساختمان که آن را نشان می‌دهد تقاطع‌های دقیقی داشته باشد (یعنی یک ویژگی چند ضلعی برای یک کلیسا وجود داشته باشد. در مجموعه داده کاندید، و همان چند ضلعی در مجموعه داده ردپای ساختمان وجود دارد). با استفاده از حداقل مقدار آستانه (تقریباً 10 سانتی متر) می توان اکثر خطاهای وارد شده به دلیل این مشکل را حذف کرد.
موقعیت در رابطه با نقطه تصمیم: محاسبه مکان ویژگی با توجه به نقطه تصمیم گیری مقدار پیچیده تری برای استخراج است زیرا به تعدادی مقایسه نیاز دارد. نتیجه نهایی نشان می دهد که ویژگی قبل، بعد یا در کنار نقطه بین راه است. متریک مکان در رابطه با نقطه عطف با شناسایی تفاوت بین فواصل WP تا RP ، RP به LRP و RP به LWP به دست می آید . در صورتی که RP → LRP و RP → LWP کمتر از RP → WP باشد ، می توان فرض کرد که نامزد نقطه عطف قبل از نقطه عطف است. اگرRP → LRP بزرگتر از RP → WP است ، سپس نقطه عطف را می توان بعد از نقطه عطف فرض کرد. وقتی RP → LRP کمتر از RP → WP و RP → LWP بزرگتر از RP → WP باشد ، می توان فرض کرد که نامزد نقطه عطف در کنار WP یافت می شود . با نگاهی به شکل 2 می توان دید که فاصله بین RP → LRP 1 کمتر از RP → WP است اما RP → LWP 1 بزرگتر از RP → WP است . بنابراین، گفته می شود که آن ویژگی در کنار نقطه عطف است. RP → LRP 2 و RP → LWP2 هر دو بزرگتر از RP → WP هستند . بنابراین، آن ویژگی به عنوان پس از نقطه عطف دیده می شود. در نهایت، هر دو RP → LRP 3 و RP → LWP 3 کوچکتر از RP → WP هستند و بنابراین آن ویژگی قبل از نقطه عطف دیده می شود. شکل 2 اطلاعات مورد استفاده برای محاسبه موقعیت سه ویژگی را در رابطه با یک نقطه عطف نشان می دهد.
مکان مشخصه نسبت به جهت فعلی حرکت: از محاسبه هندسی نهایی برای تعیین اینکه آیا مشخصه در همان سمت جاده نقطه عطف است یا در طرف مقابل استفاده می شود. برای تعیین این، زوایای آزیموت بین LWP → RP و RP → WP مقایسه می شوند. اگر زاویه LWP → RP → WP بین -180 درجه و 0 درجه باشد، آنگاه این ویژگی در سمت چپ نقطه راه دیده می شود. اگر زاویه بین 0 تا 180 درجه باشد، در سمت راست تلقی می شود. سپس این اطلاعات با جهت حرکت مقایسه می شود تا مشخص شود که آیا ویژگی در همان سمت چرخش قرار دارد یا خیر.
پس از محاسبه جنبه های هندسی ویژگی ها در رابطه با نقطه تصمیم گیری، منحصر به فرد بودن ویژگی در مجموعه نامزد مشخص می شود. بدیهی است که اگر چندین ویژگی از یک نوع در مجاورت نقطه تصمیم وجود داشته باشد، تشخیص اینکه کدام ویژگی به عنوان نقطه عطف ارجاع شده است برای کاربر دشوارتر خواهد بود. منحصر به فرد بودن ویژگی با استفاده از موارد زیر محاسبه می شود:

Uتی= 1 /nتی�تی=1/�تی

که در آن U t منحصر به فرد بودن ویژگی با نوع t و n t تعداد ویژگی های موجود در جمعیت نامزد با یک نوع t است . این محاسبه منجر به ویژگی‌هایی می‌شود که نوع آن‌ها دوباره در انتخاب نامزد تکرار نمی‌شود، به‌عنوان اینکه دارای یک مقدار هستند و آنهایی که چندین رخداد دارای مقدار نسبتاً کوچک‌تر هستند (دو ویژگی از یک نوع هر دو دارای ارزش منحصربه‌فرد بودن 0.5 هستند).

هنگامی که همه مقادیر توصیف شده محاسبه شدند، برای به دست آوردن یک امتیاز مناسب بودن کلی استفاده می شوند. نامزد نشانه با بالاترین امتیاز به عنوان نقطه عطف در دستورالعمل مسیریابی استفاده می شود. معیار نهایی تناسب S به صورت زیر تعیین می شود:

اس= V× پ× L d× ( D + U+ اسالف ) ،اس=�×پ×�د×(�+�+اسآ)،

جایی که V نمایان بودن ویژگی (صفر یا یک)، P موقعیت مشخصه نسبت به نقطه تصمیم است (بعد از 1، در کنار = 2، قبل از = 3)، Ld مکان نسبت به جهت است. از سفر (ضلع مقابل = 1، همان سمت = 2)، D یک فاصله نرمال شده از مقدار نقطه راه است (صفر به یک، با یک نزدیکتر)، U منحصر به فرد بودن نوع در مجموعه نامزد است (صفر تا یک با یکی منحصر به فرد ترین) و Saبرجستگی پیشنهادی بر اساس نوع ویژگی است (صفر تا یک با یک بالاترین مقدار برجستگی). با استفاده از معیار دید به عنوان یک ضریب، اطمینان حاصل می شود که نامزدهایی که در رویکرد قابل مشاهده نیستند همیشه مقدار مناسب بودن صفر داده می شوند. برای سمت، یک به نامزدهایی داده می شود که بعد از نقطه راه هستند، دو نفر برای کسانی که در کنار آن هستند، و سه مورد به نامزدهایی که قبل از نقطه راه هستند، داده می شود. مقادیر وزن دهی (به عنوان مثال، دو برای کنار و سه برای قبل از نقطه عطف، و وزن برای کنار جاده) بر اساس یافته های ادبیات که در آن مستند شده است که نشانه ها قبل و در همان سمت جهت تعیین شده است. تراشکاری ارجح هستند [ 17 ، 26]. در صورتی که نقطه تصمیم گیری نیاز به تغییر جهت نداشته باشد (فرد به جلو ادامه می دهد)، مقدار Ld همیشه روی یک تنظیم می شود بدون توجه به اینکه ویژگی در کدام سمت جاده قرار دارد.

به عنوان نمونه ای از این فرآیند، یک نقطه تصمیم را همانطور که در شکل 3 نشان داده شده است در نظر بگیرید . در آن مکان، مسافر از غرب می آید، باید از خیابان عبور کند و سپس به سمت شرق ادامه دهد. نقطه راه (WP) به عنوان ستاره پنج پر نشان داده می شود و نقطه مرجع (RP) ستاره شش پر است. بر اساس دید، تنها سه مورد از 15 نامزد را می‌توان به عنوان نشانه‌های شاخص مناسب دید، زیرا بقیه تنها زمانی قابل مشاهده هستند که نسبتاً نزدیک به نقطه بین راه باشند (ردپای ساختمان به صورت چندضلعی‌های جامد نشان داده می‌شوند). مقادیر حاصل در محاسبه تناسب در جدول 2 قابل مشاهده است. از آنجایی که جهت حرکت به سمت جلو ادامه می‌یابد، ارزشی که برای مکان در همه ویژگی‌ها استفاده می‌شود، بدون توجه به اینکه در کدام سمت جاده قرار دارند، یک در نظر گرفته می‌شود. از میان نامزدهای بالقوه، ویژگی 3 مناسب ترین تلقی می شود (1 × 3 × 1 × (0.597 + 0.5 + 0.8) = 5.692). این منجر به این می شود که دستورالعمل “بعد از میخانه سالزبری، به جلو ادامه دهید”.
اگرچه استفاده از این معیارها در محاسبه مناسب بودن نقطه عطف جنبه جدیدی از تحقیق نیست، اجرای آنها در اینجا نشان می دهد که تمام اطلاعات مورد نیاز از مجموعه داده OSM در دسترس است. همه محاسبات به صورت خودکار انجام می شوند و به هیچ ورودی اضافی به جز این مجموعه داده واحد نیاز ندارند.

4. توسعه خدمات

همانطور که بحث شد، هدف از شناسایی نشانه ها این است که می توان آنها را در دستورالعمل های ناوبری در یک سرویس مسیریابی تحویل داد. برای این، یک نمونه اولیه سرویس ناوبری توسعه داده شده است. سرویس ناوبری کلی توسعه یافته شامل دو جزء اصلی است: سرویس شناسایی نقطه عطف (LIS) و یک سرویس گیرنده تلفن همراه. LIS روش‌های شرح داده شده در بالا را برای تولید دستورالعمل‌های مسیریابی پیاده‌سازی می‌کند، که در صورت امکان حاوی نشانه‌هایی هستند، و سپس، این اطلاعات به مشتری تلفن همراه منتقل می‌شود، جایی که در طول فرآیند ناوبری به کاربران ارائه می‌شود.

4.1. خدمات شناسایی لندمارک

خدمات شناسایی لندمارک (LIS) یک سرویس وب آپاچی تامکت است که دستورالعمل های مسیریابی مبتنی بر نقطه عطف را تولید می کند و کلیه ارتباطات با خدمات شخص ثالث (مانند ORS و پایگاه داده OSM خارجی) مورد نیاز برای این کار را انجام می دهد. عملکرد اصلی آن به دست آوردن یک مسیر عابر پیاده از ORS و سپس استخراج نشانه هایی است که در دستورالعمل ها بر اساس این مسیر و مکان کاربر ارائه می شوند. تمام درخواست ها به LIS از طریق یک API باز انجام می شود. گردش کار برای تولید یک مسیر و ارائه دستورالعمل ها را می توان در شکل 4 مشاهده کرد .
در یک نمونه کلی از ناوبری عابر پیاده، نماینده درخواست کننده ابتدا درخواستی را برای یک مسیر به LIS ارسال می کند. این درخواست شامل یک نقطه شروع، یک نقطه پایان و مکان هایی است که باید از آنها اجتناب کرد (یعنی اگر کاربر انتخاب کند که نمی خواهد مسیر به یک مکان خاص برود). بسته به شرایط، درخواست همچنین می‌تواند حاوی پارامترهای اضافی باشد که محدودیت‌ها را توصیف می‌کنند (یعنی اجتناب از محدودیت‌های افزایش‌یافته). سپس LIS این اطلاعات را به ORS ارسال می کند که مسیر مناسبی را ایجاد می کند. سپس این مسیر به LIS بازگردانده می شود، جایی که در یک پایگاه داده محلی ذخیره می شود، و اطلاعات مسیر به نوبه خود به عامل درخواست کننده بازگردانده می شود. سپس، هنگامی که کاربر در طول مسیر حرکت می کند، عامل در فواصل زمانی مشخص درخواست هایی را برای درخواست دستورالعمل ناوبری بعدی بر اساس موقعیت کاربر و مسیری که دنبال می شود ارسال می کند. سپس LIS از این اطلاعات برای شناسایی نقطه عطفی استفاده می کند که برای نقطه عطف بعدی مناسب است و آن را به همراه اطلاعات جهت و موقعیت به نماینده درخواست کننده ارسال می کند (یعنی «بعد از کافه استارباکس به چپ بپیچید»). این فرآیند انتخاب نقطه عطف بر اساس پرس و جو از یک پایگاه داده OSM خارجی برای نامزدهای شاخص و محاسبه مناسب بودن بر اساس روش هایی است که در بخش قبل توضیح داده شد. «بعد از کافه استارباکس به چپ بپیچید»). این فرآیند انتخاب نقطه عطف بر اساس پرس و جو از یک پایگاه داده OSM خارجی برای نامزدهای شاخص و محاسبه مناسب بودن بر اساس روش هایی است که در بخش قبل توضیح داده شد. «بعد از کافه استارباکس به چپ بپیچید»). این فرآیند انتخاب نقطه عطف بر اساس پرس و جو از یک پایگاه داده OSM خارجی برای نامزدهای شاخص و محاسبه مناسب بودن بر اساس روش هایی است که در بخش قبل توضیح داده شد.
دستورالعمل‌های تولید شده با بخش‌هایی از مسیر مرتبط هستند و به اقدامی که باید در انتهای بخش مسیر فعلی انجام شود اشاره می‌کنند. این بخش‌های مسیر ممکن است شامل تعدادی بخش خط کوچک‌تر باشند، با الگوریتم‌هایی که برای تقسیم مسیر در نقاط تصمیم‌گیری اصلی به جای همه نقاطی که مسیر تغییر جهت می‌دهد، پیاده‌سازی شده‌اند. اگرچه این امر منجر به دستورالعمل‌های بیشتری نسبت به سایر سرویس‌ها می‌شود (مانند دستورالعمل‌های متعدد «ادامه رو به جلو»)، چنین اطلاعاتی می‌تواند نه تنها برای اطمینان از ادامه مسیر کاربران مفید باشد، بلکه به عنوان تأییدیه در مسیر صحیح آنها عمل می‌کند.
هنگام بازگرداندن اطلاعات به مشتری درخواست کننده، اطلاعات در قالب داده های ساختاریافته مخابره می شود. به جای اینکه یک جمله متنی به کاربر برگردانده شود، مانند «بعد از کافه استارباکس، به دنبال Hauptstraße به راست بپیچید»، دستورالعمل به صورت مجموعه ای از قسمت های متنی به شکل «| چپ | استارباکس | کافه || بعد از آن برگردانده می شود . |دنبال|Hauptstraße|چرخش» به دنبال الگوی «صفت|جهت|نام|اسم|ترتیبی|حرف اضافه|عمل جاده|نام جاده|فعل». این بخش‌ها همه عناصر دستورالعمل را در قالبی توصیف می‌کنند که بتوان اجزای جداگانه را استخراج و تفسیر کرد. به عنوان مثال، در سرویس گیرنده موبایل، از اجزای جهت و فعل برای ترسیم یک فلش جهت روی نمایشگر استفاده می شود. در کاربردهای دیگر، این اجزا را می توان به ارتعاشات یا سایر روش های بازخورد ترجمه کرد. برای تبدیل دستورالعمل به یک قالب قابل خواندن توسط انسان، LIS API همچنین می تواند برای رمزگشایی اطلاعات از طریق پردازش زبان طبیعی فراخوانی شود. این پردازش زبان طبیعی با استفاده از بسته SimpleNLG [ 42 ] انجام می شود که برای چندین بومی سازی گسترش یافته است [ 43 ، 44 ، 45 ].

4.2. مشتری موبایل

سرویس گیرنده تلفن همراه برای سرویس ناوبری به عنوان یک برنامه اندرویدی بومی توسعه یافته است. اگرچه این برنامه به طور خاص برای استفاده با LIS توسعه یافته است، هر عاملی می تواند از طریق API باز خود از LIS استفاده کند.
هدف اصلی مشتری موبایل ارائه دستورالعمل های ناوبری به کاربر نهایی در حالی که آنها در امتداد یک مسیر تولید شده سفر می کنند است. در وهله اول، کاربر می تواند مقصدهای مورد نظر را از طریق جستجوی متنی یا انداختن پین در نمای نقشه یا با انتخاب یک مکان مورد علاقه از فهرست مکان های به دست آمده از Wheelmap (http://www.wheelmap) انتخاب کند . .org ) سرویس. ارتباط با Wheelmap مستقیماً از مشتری به Wheelmap API و نه از طریق LIS API انجام می شود.
هنگامی که یک مسیر بر اساس پارامترهای تعیین شده توسط کاربر ایجاد می شود (محدودیت های تحرک محور فعلی، مانند اجتناب از ارتفاعات مشخص شده از محدودیت ها و سطوح خاص)، دستورالعمل هایی برای ناوبری به کاربر ارائه می شود. این دستورالعمل‌ها با استفاده از موقعیت مکانی GPS دستگاه و شناسه منحصربه‌فرد مسیری که دنبال می‌شود و سپس ارسال این اطلاعات به LIS تولید می‌شوند. این فرآیند به طور مداوم در طول کار ناوبری در فواصل زمانی از پیش تعریف شده انجام می شود. و همچنین یک نمایشگر بصری ( شکل 5 را ببینید) از دستورالعمل، کاربر همچنین می تواند برای یک نمای کلی از مسیر به عنوان یک کل، به نمای نقشه تغییر مکان دهد. دستورالعمل ها همچنین از طریق قابلیت تبدیل متن به گفتار دستگاه تلفن همراه کاربر صداگذاری می شوند. این صداسازی یک بار هنگام تغییر دستورالعمل و یک بار زمانی که کاربر به نقطه راه نزدیک می شود انجام می شود. برای کمک به تعیین جهتی که باید دنبال شود، یک نمایشگر قطب نما ارائه می شود که جهت نسبی را به نقطه ای که دستورالعمل برای آن است نشان می دهد.
در صورتی که کاربر از مسیر مورد نظر منحرف شود، مشتری یک دستورالعمل خالی از LIS دریافت می کند. هنگامی که این اتفاق می افتد، برنامه می داند که کاربر به دلایلی بیش از حد از مسیر منحرف شده است و بنابراین درخواستی برای ایجاد مجدد مسیر با موقعیت فعلی کاربران به عنوان نقطه شروع ارسال می کند.

5. ارزیابی خدمات

به عنوان وسیله ای برای ارزیابی نشانه های تولید شده توسط این سرویس، دو تحقیق کوتاه انجام شده است. این تحقیقات با هدف شناسایی اینکه آیا این سرویس می‌تواند نشانه‌هایی را در نقاط تصمیم در طول مسیر ارائه دهد و اینکه آیا این نشانه‌ها با افرادی که دستورالعمل‌های مسیریابی ارائه می‌دهند مطابقت دارند یا خیر، انجام شد.

5.1. تشخیص نقطه عطف

برای ارزیابی عملکرد سرویس در مقایسه با دستورالعمل‌های تولید شده از سرویس مسیریابی اصلی، همان مسیر در سرویس‌ها و دستورالعمل‌های مختلف مقایسه شد. با یک مسیر ایجاد شده در مرکز لندن (نگاه کنید به شکل 6 )، سرویس ناوبری برای شش نقطه از 9 ایستگاه در طول مسیر، نقاط عطفی را فراهم می کند (نقطه پایانی به عنوان یک نقطه راه محاسبه نمی شود، زیرا هیچ اقدامی در آنجا وجود ندارد). خود دستورالعمل‌ها با سرویس‌های Google، Bing و MapQuest قابل مقایسه بودند، اگرچه هیچ یک از این سرویس‌ها نشانه‌هایی را در دستورالعمل‌های خود ارائه نکردند. نمونه ای از دستورالعمل های نقطه 5 برای هر یک از خدمات به شرح زیر است:

  • Google: «به ردیف جدید ادامه دهید»
  • بینگ: «نام جاده به ردیف جدید تغییر می‌کند»
  • MapQuest: «به سمت چپ به B404/St بپیچید. مارتینز لین؛ به راست به ردیف جدید بپیچید.»
  • سرویس ناوبری: «بعد از میخانه سالزبری، به دنبال New Row به جلو ادامه دهید».
بدیهی است که گنجاندن نشانه ها در دستورالعمل ها به کامل بودن داده های OSM بستگی دارد. در مناطقی که داده‌ها کم است، دستورالعمل‌های داده شده بسیار شبیه‌تر به دستورالعمل‌های سرویس‌های اصلی است (به عنوان مثال، نشانه‌ها شامل نمی‌شوند). در شکل 7a، مسیر در Gospić، کرواسی ایجاد شده است، جایی که کامل بودن داده های OSM از نظر ویژگی هایی که می توانند نقاط عطفی باشند، پایین است، حتی اگر یک مکان نسبتاً شهری است. این مکان به دلیل دانش موجود نویسنده از منطقه انتخاب شده است و در حالی که هنوز در اروپا قرار دارد (منطقه هدف اولیه برای نمونه اولیه)، تراکم جمعیت کمتری دارد و در منطقه ای با کامل بودن OSM نسبتاً پایین است. در آن مسیر، هیچ نشانه ای برای دستورالعمل ها در نظر گرفته نشد. در WP 8، دستورالعمل‌های مربوط به هر سرویس به شرح زیر است:

  • Google: «به سمت چپ به Budačka ul بپیچید».
  • بینگ: «[به سمت راست به Ž5154 بپیچید]، و بلافاصله به سمت چپ بپیچید تا به D25/Budačka Ulica بروید».
  • MapQuest: «به سمت چپ به D25/D50/Budačka ulica بپیچید.
  • سرویس ناوبری: «به سمت چپ، به دنبال Budačka ulica بپیچید».
نکته ای که باید به آن توجه داشت این است که دستورالعمل های اضافی توسط سرویس ناوبری (یعنی WPs 3، 9، 10 و 12) در مقایسه با سایر سرویس ها (11 برای سرویس ناوبری، 7 Google، 6 Bing و 6 برای MapQuest) ارائه شده است. دستورالعمل های تولید شده از خدمات مختلف را می توان در جدول 3 مشاهده کرد . در برخی موارد، دستورالعمل‌های بیشتر ممکن است برای کاربران گیج‌کننده باشد، و بنابراین، باید تلاش کرد تا از مازاد دستورالعمل‌ها جلوگیری شود. به این ترتیب، ممکن است سرویس ناوبری نیاز به تغییراتی داشته باشد تا میزان دستورالعمل‌های تولید شده را کاهش دهد، به‌ویژه زمانی که نشانه‌ها ارائه نمی‌شوند.
این مقایسه کوتاه نشان می‌دهد که نشانه‌های شناسایی شده می‌توانند در صورت موجود بودن در دستورالعمل‌های مسیریابی ادغام شوند. هنگامی که نشانه‌ها در دسترس نباشند، دستورالعمل‌های تولید شده بیشتر شبیه به سرویس‌های اصلی هستند، زیرا فقط نام جاده‌ها و جهت (و مسافت) ارائه می‌شوند. با این حال، نشان نمی دهد که آیا نشانه های شناسایی شده برای دستورالعمل ها مناسب هستند یا خیر. به عنوان ابزاری برای ارزیابی مناسب بودن، یک تحقیق مختصر در مقایسه دستورالعمل‌های تولید شده توسط افراد و دستورالعمل‌های تولید شده توسط سرویس انجام شده است. این تحقیق اکنون در بخش بعدی مورد بحث قرار خواهد گرفت.

5.2 مناسب بودن نقطه عطف

به عنوان یک تحقیق کوتاه در مورد نشانه هایی که توسط سرویس شناسایی می شوند، برخی دستورالعمل های مسیریابی از شرکت کنندگان به دست آمد و اطلاعات با دستورالعمل های به دست آمده برای همان مسیرها از طریق سرویس ناوبری مقایسه شد. شرکت کنندگان از گروه تحقیقاتی GIScience در دانشگاه هایدلبرگ و متشکل از کارمندان و دانشجویان انتخاب شدند. از شرکت کنندگان خواسته شد تا شرح متنی مسیری را ارائه دهند که با آن آشنا هستند، به گونه ای که گویی دستورالعمل هایی را برای فردی ناآشنا به آن منطقه ارائه می کنند. در مجموع، شش مسیر به دست آمد که در مجموع شامل 31 اشاره شاخص بود. نشانه‌ها بر اساس ذکر ویژگی‌های صریح که در نقاط تصمیم‌گیری کلیدی استفاده می‌شوند، استخراج شدند. مانند “… باید یک برگر کینگ در سمت راست شما باشد…” و “… یک چراغ راهنمایی و چندین ایستگاه اتوبوس وجود دارد”. سپس نقاط تصمیم گیری که در آن این نشانه ها ذکر شده بود با همان نقاط تصمیم در مسیرهای تولید شده از سرویس ناوبری مقایسه شد. جنبه‌هایی مانند «عبور از جاده» و «پیاده‌روی از روی پل» به‌عنوان نقاط عطفی به حساب نمی‌آیند، زیرا این ویژگی‌ها بخشی جدایی‌ناپذیر از مسیر را تشکیل می‌دهند که باید از آن عبور کرد، نه ویژگی‌هایی که برای راهنمایی فرد استفاده می‌شوند.
هنگامی که مقایسه انجام شد، آشکار می شود که تفاوت قابل توجهی بین ویژگی های توصیف شده توسط شرکت کنندگان و نشانه های شناسایی شده توسط سرویس وجود دارد. در برخی موارد، این را می توان با هندسه نشانه یا استفاده از نشانه هایی که ماهیت جهانی بیشتری دارند، توضیح داد. به عنوان مثال، در یکی از دستورالعمل‌هایی که یک رستوران به عنوان نقطه عطف در نظر گرفته شده است، به دلیل نمایش هندسی آن در مجموعه داده به عنوان یک نقطه، همان ویژگی از سرویس ناوبری درج نشده است. این نمایش نقطه منجر به انتقال مکان نقطه عطف به نزدیکترین لبه در ردپای ساختمان شد. خود رستوران در گوشه ساختمان قرار دارد و بنابراین در نزدیک شدن به نقطه عطف و همچنین بعد از آن قابل مشاهده است، اما نقطه جابجایی فقط پس از نقطه عطف قابل مشاهده است.شکل 8 ). با توجه به نشانه های جهانی تر، دستورالعمل هایی داده شد، مانند “… شما برج آب را خواهید دید و این جهت را دنبال کنید…”. در مورد آن دستورالعمل، اگرچه برج آب قابل مشاهده است، اما در واقع 1.2 کیلومتر از نقطه تصمیم فاصله دارد. از آنجایی که سرویس ناوبری در شکل فعلی خود فقط به دنبال نشانه های محلی است، چنین ویژگی در دستورالعمل ها گنجانده نمی شود.
به طور کلی، از 31 نقطه عطف ارائه شده توسط شرکت کنندگان، تنها 4 نقطه با نشانه های انتخاب شده توسط سرویس ناوبری در همان نقطه تصمیم گیری مطابقت داشتند. اگرچه این نتایج کمتر از حد بهینه به نظر می رسند، اما لزوماً نشان نمی دهد که نشانه های انتخاب شده توسط سیستم نامناسب بوده اند. در بسیاری از موارد، این احتمال وجود دارد که نقطه عطف انتخاب شده به سادگی مواردی که شرکت کنندگان در دستورالعمل های خود انتخاب کرده اند به یاد ماندنی نباشد. هدف این سرویس لزوماً تولید نقاط دیدنی به یاد ماندنی نیست، اما زمانی که مردم مسیرهای آشنا را از حافظه خود به یاد می آورند (همانطور که در این مقایسه انجام شد)، بدیهی است که تنها از نقاط دیدنی استفاده می کنند که به اندازه کافی به یاد ماندنی باشد تا در خاطرشان بماند. به عنوان مثال، در یک دستورالعمل که در آن یک میدان/پارک شهری توسط شرکت‌کننده به‌عنوان نقطه عطف ارائه می‌شود، خدمات به جای آن یک فروشگاه نزدیک را انتخاب می‌کند. دلیل انتخاب شرکت کنندگان از این ویژگی این است که پارک یک منطقه سبز کاملاً مشخص در بین ساختمان ها است. احتمالاً به دلیل فاصله بیشتر از ایستگاه بین راه و وزن کمتری که به ویژگی های پارک در فروشگاه ها داده شده است، توسط سرویس انتخاب نشده است. با این حال، فروشگاه استفاده شده در دستورالعمل نسبتاً به راحتی قابل توجه است، اما بدیهی است که در منطقه به اندازه پارک به یاد ماندنی نیست. در نهایت، یک بررسی عمیق‌تر که عامل یادآوری و یادآوری ویژگی‌ها در مسیرهای فراخوانی شده از حافظه را در نظر می‌گیرد، باید انجام شود تا تناسب کامل نشانه‌های مشتق شده را مشخص کند. احتمالاً به دلیل فاصله بیشتر از ایستگاه بین راه و وزن کمتری که به ویژگی های پارک در فروشگاه ها داده شده است، توسط سرویس انتخاب نشده است. با این حال، فروشگاه استفاده شده در دستورالعمل نسبتاً به راحتی قابل توجه است، اما بدیهی است که در منطقه به اندازه پارک به یاد ماندنی نیست. در نهایت، یک بررسی عمیق‌تر که عامل یادآوری و یادآوری ویژگی‌ها در مسیرهای فراخوانی شده از حافظه را در نظر می‌گیرد، باید انجام شود تا تناسب کامل نشانه‌های مشتق شده را مشخص کند. احتمالاً به دلیل فاصله بیشتر از ایستگاه بین راه و وزن کمتری که به ویژگی های پارک در فروشگاه ها داده شده است، توسط سرویس انتخاب نشده است. با این حال، فروشگاه استفاده شده در دستورالعمل نسبتاً به راحتی قابل توجه است، اما بدیهی است که در منطقه به اندازه پارک به یاد ماندنی نیست. در نهایت، یک بررسی عمیق‌تر که عامل یادآوری و یادآوری ویژگی‌ها در مسیرهای فراخوانی شده از حافظه را در نظر می‌گیرد، باید انجام شود تا تناسب کامل نشانه‌های مشتق شده را مشخص کند.

6. نتیجه گیری و کار آینده

این مقاله یک سیستم نمونه اولیه را ارائه می‌کند که برای ارائه نشانه‌ها در دستورالعمل‌های ناوبری مبتنی بر عابر پیاده توسعه یافته است. اگرچه تعداد زیادی از مطالعات قبلاً انجام شده است که بر تلاش برای استخراج و ارائه نشانه‌ها در دستورالعمل‌های ناوبری تمرکز دارند (و اغلب موفق می‌شوند)، آنها اغلب بر مجموعه داده‌های دقیق متکی هستند و بنابراین فقط در مناطق کوچک قابل استفاده هستند. در روش های پیاده سازی شده در این نمونه اولیه، OpenStreetMap به عنوان تنها منبع داده برای شناسایی نشانه استفاده شده است. این بدان معنی است که بسته به کامل بودن OSM، این روش می تواند در هر مکانی با حداقل تغییرات در منبع داده و روش ها استفاده شود. اگرچه نشانه‌ها با موفقیت از OSM با استفاده از روش‌های مختلف برای شناسایی مناسب بودن انتخاب شدند، این فرآیند خالی از کاستی نیست.
یکی از مشکلاتی که در اوایل شناسایی شد، در دسترس بودن ویژگی‌هایی در مجموعه داده OSM است که می‌تواند به عنوان کاندیدای شاخص تبدیل شود. هنگامی که به مناطق لندن بزرگ و هرتفوردشایر بریتانیا نگاه می کنیم، آشکار شد که در مناطق کمتر شهری، در دسترس بودن نامزدهای شاخص کاهش یافته است. این احتمالاً به دلیل این است که مناطق کمتر در OSM نقشه‌برداری شده‌اند و به طور کلی فقدان ویژگی‌هایی در دنیای واقعی که با معیارهای پیشنهادی در اینجا برای نشانه‌ها مطابقت داشته باشد. این منجر به ارائه دستورالعمل‌های ناوبری مبتنی بر نشانه‌ها می‌شود که در مناطق کمتر شهری کاهش می‌یابد، اما همانطور که نشان داده شده است، در آن موارد، این سرویس به روش کلاسیک‌تر ناوبری نام جاده باز می‌گردد. با این حال، از آنجایی که نام جاده ها از OSM مشتق شده است، کمبود داده هنوز یک مشکل است.
به طور کلی، سهم اصلی روش‌های ارائه‌شده در اینجا این است که نشان می‌دهند که OSM پتانسیل استفاده از آن را به عنوان منبع داده برای نشانه‌ها در صورت ترکیب با روش‌های شناسایی شده قبلی برای استخراج برجستگی دارد. این سرویس با موفقیت نقاط عطف را از مجموعه داده OSM بدون نیاز به ویژگی ها و داده های اضافی استخراج کرد و سپس توانست این موارد را در دستورالعمل های ناوبری ارائه دهد. بدیهی است که اثربخشی سرویس شناسایی نقطه عطف در مناطقی با کامل بودن داده OSM پایین یا در مناطقی که ویژگی‌های کمتری وجود دارد که می‌توان آنها را در واقع به عنوان نشانه‌ها در نظر گرفت کاهش می‌یابد، اما این نباید مانند زمان، استفاده از OSM را به عنوان منبع داده منصرف کند. ، به رشد خود ادامه می دهد و اطلاعات کامل تر می شود. به این ترتیب، هر چند، باید تاکید کرد که اگرچه به نظر می‌رسد وقتی از OSM به‌عنوان منبع داده استفاده می‌شود، می‌توان نشانه‌های شاخص را در دستورالعمل‌های مسیریابی در مناطق شهری ارائه کرد، اما نباید به همان منبع داده برای اهداف مشابه در مناطق روستایی یا جایی که کامل بودن OSM کم است اعتماد کرد. . علاوه بر این، بررسی کوتاه در مورد مناسب بودن نشانه‌های مشتق شده، تفاوت بین آن‌هایی که توسط سرویس انتخاب شده‌اند و نشانه‌های ارائه‌شده در دستورالعمل‌ها توسط افرادی که دستورالعمل‌های مسیریابی را ارائه می‌دهند، نشان داده است. همانطور که ذکر شد، این تفاوت لزوماً به این معنی نیست که نشانه های مشتق شده برای دستورالعمل های ارائه شده مناسب نیستند، زیرا تفاوت ها می تواند به راحتی با به یاد ماندنی بودن ویژگی ها محاسبه شود. مثلا، پارکی که معیارهای زیادی را در الگوریتم برآورده نمی کند (مانند فاصله و دید) احتمالاً بسیار خاطره انگیزتر از مغازه ای است که همه معیارها را برآورده می کند و بنابراین به عنوان یک نقطه عطف کلی برای آموزش مناسب است. با این حال، این مقاله نشان داده است که روش های توصیف شده را می توان در یک پایگاه داده OSM اعمال کرد و به نوبه خود می تواند برای هر مجموعه داده جغرافیایی که مکان ویژگی ها و نوع / استفاده از آنها را ارائه می دهد نیز اعمال شود. بنابراین، بررسی بیشتر مناسب بودن نشانه‌های شناسایی شده لزوماً به داده‌های OSM محدود نمی‌شود، بلکه می‌تواند با استفاده از روش‌های مشابه برای سایر مجموعه‌های داده اعمال شود. با این حال، این مقاله نشان داده است که روش های توصیف شده را می توان در یک پایگاه داده OSM اعمال کرد و به نوبه خود می تواند برای هر مجموعه داده جغرافیایی که مکان ویژگی ها و نوع / استفاده از آنها را ارائه می دهد نیز اعمال شود. بنابراین، بررسی بیشتر مناسب بودن نشانه‌های شناسایی شده لزوماً به داده‌های OSM محدود نمی‌شود، بلکه می‌تواند با استفاده از روش‌های مشابه برای سایر مجموعه‌های داده اعمال شود. با این حال، این مقاله نشان داده است که روش های توصیف شده را می توان در یک پایگاه داده OSM اعمال کرد و به نوبه خود می تواند برای هر مجموعه داده جغرافیایی که مکان ویژگی ها و نوع / استفاده از آنها را ارائه می دهد نیز اعمال شود. بنابراین، بررسی بیشتر مناسب بودن نشانه‌های شناسایی شده لزوماً به داده‌های OSM محدود نمی‌شود، بلکه می‌تواند با استفاده از روش‌های مشابه برای سایر مجموعه‌های داده اعمال شود.
در تکرارهای بعدی نمونه اولیه، تمرکز بر تقویت فرآیند انتخاب با توجه به جنبه‌های ساختاری بیشتر خواهد بود. روش هایی مانند روش هایی که توسط ریشتر [ 30] به امید افزایش کارایی و اثربخشی فرآیند شناسایی نقطه عطف، بیشتر مورد بررسی قرار خواهد گرفت. چندین جنبه اضافی وجود دارد که تحقیقات بیشتر را ایجاب می کند زیرا نمونه های اولیه اضافی برای سرویس ناوبری توسعه می یابد. از یک طرف، الگوریتم‌های مورد استفاده باید موضوع تحقیقات عمیق‌تری برای شناسایی بهینه‌سازی‌ها باشند. علاوه بر این، وزن‌های مورد استفاده برای برجستگی پیشنهادی انواع ویژگی‌ها نیاز به اصلاح دارند تا برداشت‌های عموم مردم را در نظر بگیرند. به عنوان مثال، آیا همان نوع ویژگی در یک کشور برجسته تر از کشور دیگر است؟ از سوی دیگر، برای این تحقیقات الگوریتمی، تحقیقات ادامه دار در رابطه با استفاده از OSM به عنوان منبع داده، موضوع بسیار مهمی برای ارزیابی این است که در کجا می توان از سرویس با موفقیت استفاده کرد و چه کاری می توان در مناطق با کامل بودن OSM کمتر انجام داد. این موضوعات با بالغ شدن سرویس مورد بررسی قرار خواهند گرفت.

منابع

  1. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
  2. لینچ، کی. تصویر شهر . مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 1960. [ Google Scholar ]
  3. Appleyard، D. چرا ساختمان ها شناخته شده اند: یک ابزار پیش بینی برای معماران و برنامه ریزان. محیط زیست رفتار 1969 ، 1 ، 131. [ Google Scholar ] [ CrossRef ]
  4. سیگل، AW; White, SH توسعه بازنمایی های فضایی محیط های در مقیاس بزرگ. Adv. Child Dev. رفتار 1975 ، 10 ، 9-55. [ Google Scholar ] [ PubMed ]
  5. Lazern، SY; Sheta، WM شناسایی خودکار نقطه عطف در محیط مجازی بزرگ: یک رویکرد داده کاوی فضایی. در مجموعه مقالات نهمین کنفرانس بین المللی تجسم اطلاعات، لندن، بریتانیا، 6-8 ژوئیه 2005.
  6. پیترز، دی. وو، ی. Winter, S. تست تئوری های شناسایی نقطه عطف در محیط های مجازی. در شناخت فضایی VII – مجموعه مقالات کنفرانس بین المللی شناخت فضایی ; Hölscher, C., Shipley, TF, Belardinelli, MO, Bateman, JA, Newcombe, NS, Eds.; Springer: برلین، آلمان، 2010; جلد 6222، ص 54–69. [ Google Scholar ]
  7. Michon، P.-E.; دنیس، ام. چه زمانی و چرا از نشانه های بصری برای دادن جهت استفاده می شود؟ در نظریه اطلاعات فضایی – یادداشت های سخنرانی در علوم کامپیوتر ; Montello, DR, Ed. Springer: برلین/هایدلبرگ، آلمان، 2001; جلد 2205، ص 292–305. [ Google Scholar ]
  8. راوبال، م. Winter, S. غنی‌سازی دستورالعمل‌های راهیابی با مکان‌های دیدنی محلی. در GIScience ’02 مجموعه مقالات دومین کنفرانس بین المللی علم اطلاعات جغرافیایی ; Egenhofer, MJ, Mark, DM, Eds. اسپرینگر: لندن، بریتانیا؛ Boulder, CO, USA, 2002; ص 243-259. [ Google Scholar ]
  9. دنیس، م. پازاگلیا، اف. کورنولدی، سی. برتولو، L. گفتمان فضایی و ناوبری: تحلیلی از جهت های مسیر در شهر ونیز. Appl. شناخت. روانی 1999 ، 13 ، 145-174. [ Google Scholar ] [ CrossRef ]
  10. می، ای جی. راس، تی. بایر، SH; Tarkiainen، MJ کمک های ناوبری عابر پیاده: الزامات اطلاعات و مفاهیم طراحی. پارس محاسبات همه جا حاضر. 2003 ، 7 ، 331-338. [ Google Scholar ] [ CrossRef ]
  11. بصیری، ع. وینستانلی، ا. پوریا، الف. پیمایش عابر پیاده مبتنی بر لندمارک. در مجموعه مقالات بیست و یکمین کنفرانس تحقیقات GIS انگلستان (GISRUK)، لیورپول، انگلستان، 3 تا 5 آوریل 2013.
  12. هوانگ، اچ. اشمیت، ام. گارتنر، جی. کسب دانش فضایی در زمینه ناوبری عابر پیاده مبتنی بر GPS. در Maps for the Future ; Zentai, L., Nunez, JR, Eds. Springer: برلین/هایدلبرگ، آلمان، 2012; جلد 5، ص 127-137. [ Google Scholar ]
  13. نیش، ز. لی، کیو. ژانگ، ایکس. شاو، اس.-ال. یک مدل داده GIS برای ناوبری عابر پیاده مبتنی بر نقطه عطف. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 817-838. [ Google Scholar ] [ CrossRef ]
  14. ناثگر، سی. زمستان، اس. Raubal, M. انتخاب ویژگی های برجسته برای مسیرهای مسیر. تف کردن شناخت. محاسبه کنید. بین رشته ای. J. 2004 , 4 , 113-136. [ Google Scholar ] [ CrossRef ]
  15. زمستان، اس. راوبال، م. Nothegger, C. تمرکز بر معیارهای برجسته برای راهیابی. در خدمات تلفن همراه مبتنی بر نقشه ؛ Meng, PDL, Reichenbacher, DT, Zipf, PDA, Eds. Springer: برلین/هایدلبرگ، آلمان، 2005; صص 125-139. [ Google Scholar ]
  16. دراگر، ام. Koller, A. تولید دستورالعمل های ناوبری مبتنی بر نقطه عطف از داده های منبع باز. در مجموعه مقالات سیزدهمین کنفرانس فصل اروپایی انجمن زبانشناسی محاسباتی، آوینیون، فرانسه، 23 تا 27 آوریل 2012. صص 757-766.
  17. داکهام، ام. زمستان، اس. رابینسون، ام. از جمله نشانه‌ها در دستورالعمل‌های مسیریابی. J. Locat. سرویس مبتنی بر 2010 ، 4 ، 28-52. [ Google Scholar ] [ CrossRef ]
  18. Caduff، D.; Timpf, S. عنکبوت نقطه عطف: معرف دانش نقطه عطفی برای کارهای راهیابی. در مجموعه مقالات سمپوزیوم بهار AAAI: استدلال با نمودارهای ذهنی و بیرونی: مدلسازی محاسباتی و کمک فضایی، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 23 مارس 2005. صص 30-35.
  19. ریشتر، K.-F. داکهام، ام. ساده ترین دستورالعمل ها: یافتن مسیرهایی با توصیف آسان برای ناوبری. در علم اطلاعات جغرافیایی ; کنفرانس بین المللی علم اطلاعات جغرافیایی; Springer: برلین/هایدلبرگ، آلمان، 2008; ص 274-289. [ Google Scholar ]
  20. Caduff، D.; Timpf, S. در مورد ارزیابی برجسته بودن نقطه عطف برای ناوبری انسانی. شناخت. روند. 2008 ، 9 ، 249-267. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. غم ها، من. هیرتل، SC ماهیت مکان های دیدنی برای فضاهای واقعی و الکترونیکی. در نظریه اطلاعات مکانی. مبانی شناختی و محاسباتی علم اطلاعات جغرافیایی ; Freksa, C., Mark, DM, Eds. Springer: برلین/هایدلبرگ، آلمان، 1999; صص 37-50. [ Google Scholar ]
  22. شرودر، سی جی; Mackaness، WA; Gittings، BM دادن مسیرهای “درست”: الزامات سیستم های ناوبری عابر پیاده. ترانس. GIS 2011 ، 15 ، 419-438. [ Google Scholar ]
  23. نوهن، ای. راینهارت، دبلیو. Haske, B. تولید نشانه‌های شاخص از مدل‌های سه بعدی شهر و داده‌های OSM. در مجموعه مقالات کنفرانس بین المللی AGILE’2012 در علم اطلاعات جغرافیایی، آوینیون، فرانسه، 24-27 آوریل 2012; ص 24-27.
  24. گرابلر، اف. آگراوالا، م. سامنر، RW; Pauly, M. تولید خودکار نقشه های توریستی. ACM Trans. نمودار 2008 , 27 . [ Google Scholar ] [ CrossRef ]
  25. Winter, S. مسیر انتخاب تطبیقی ​​از ویژگی های برجسته. در نظریه اطلاعات مکانی. مبانی علم اطلاعات جغرافیایی ; Kuhn, W., Worboys, MF, Timpf, S., Eds.; Springer: برلین/هایدلبرگ، آلمان، 2003; صص 349-361. [ Google Scholar ]
  26. کلیپل، ا. زمستان، S. برجستگی ساختاری نشانه‌ها برای مسیرهای مسیر. در تئوری اطلاعات فضایی، مجموعه مقالات کنفرانس بین المللی تئوری اطلاعات مکانی در سال 2005 COSIT’05 . Cohn، AG، Mark، DM، Eds. Springer: برلین، آلمان، 2005; صص 347-362. [ Google Scholar ]
  27. الیاس، ب. استخراج نشانه ها با روش های داده کاوی. در نظریه اطلاعات مکانی. مبانی علم اطلاعات جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، 2003; صص 375-389. [ Google Scholar ]
  28. Quesnot، T. روشه، اس. اندازه گیری برجستگی معنایی شاخص از طریق جریان های داده های جغرافیایی اجتماعی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1-31. [ Google Scholar ] [ CrossRef ]
  29. ریشتر، K.-F. چشم اندازها و چالش های نقاط عطف در خدمات ناوبری. در جنبه های شناختی و زبانی فضای جغرافیایی ; Raubal, M., Mark, DM, Frank, AU, Eds. Springer: برلین/هایدلبرگ، آلمان، 2013; صص 83-97. [ Google Scholar ]
  30. ریشتر، K.-F. مدیریت یکنواخت انواع نشانه های مختلف در جهت مسیر. در نظریه اطلاعات فضایی – هشتمین کنفرانس بین المللی، COSIT 2007 ; Winter, S., Duckham, M., Kulik, L., Kuipers, B., Eds. Springer: برلین، آلمان، 2007; صص 373-389. [ Google Scholar ]
  31. هاکلی، م. Weber, P. Openstreetmap: نقشه های خیابانی تولید شده توسط کاربر. محاسبات فراگیر 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ]
  32. اشمیتز، اس. Zipf، A.; Neis، P. برنامه های کاربردی جدید مبتنی بر داده های جغرافیایی مشترک – مورد مسیریابی. در مجموعه مقالات بیست و هشتم کنگره بین المللی INCA در زمینه نقشه برداری مشترک و فناوری فضایی، گاندیناگار، هند، 4 تا 6 نوامبر 2008.
  33. نیس، پ. Zipf، A.; Schmitz، S. OpenRouteService.org — ترکیب استانداردهای باز و داده های جغرافیایی باز. در مجموعه مقالات وضعیت نقشه، دومین کنفرانس نقشه های خیابان باز، لیمریک، ایرلند، 12 تا 13 ژوئیه 2008.
  34. مبروك، م. بیچوفسکی، تی. ویلیامز، جی. Niedzwiadek, HM; بیشر، ی. گایله، ج.-ف. کریسپ، ن. ویلبرینک، دبلیو. هورهامر، ام. Roy, G. OpenGIS Location Services (OpenLS TM ): Core Services ; Open GIS Consortium Inc.: Wayland, MA, USA, 2003. [ Google Scholar ]
  35. نیس، پ. Zipf، A. گسترش سرویس مسیر OGC OpenLS به 3D برای تحقق همکاری نقشه های فوکوس سه بعدی با نشانه ها. J. Locat. سرویس مبتنی بر 2008 ، 2 ، 153-174. [ Google Scholar ] [ CrossRef ]
  36. زو، آر. کریمی، HA انتخاب خودکار نقاط عطف برای هدایت ناوبری. ترانس. GIS 2015 ، 19 ، 247-261. [ Google Scholar ] [ CrossRef ]
  37. پالن، ال. سودن، آر. اندرسون، تی جی; Barrenechea، M. موفقیت و مقیاس در یک سازمان تولید کننده داده: تکامل اجتماعی و فنی OpenStreetMap در پاسخ به رویدادهای بشردوستانه. در مجموعه مقالات سی و سومین کنفرانس سالانه ACM در مورد عوامل انسانی در سیستم های محاسباتی، سئول، کره، 18-23 آوریل 2015. صص 4113-4122.
  38. روشه، اس. پروپک-زیمرمن، ای. Mericskay، B. GeoWeb و مدیریت بحران: مسائل و دیدگاه‌های اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2013 ، 78 ، 21-40. [ Google Scholar ] [ CrossRef ]
  39. Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی ​​مجموعه داده های نظرسنجی OpenStreetMap و مهمات. محیط زیست طرح. B طرح. دس 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ]
  40. زیلسترا، دی. Zipf، A. مطالعه مقایسه ای ژئوداده اختصاصی و اطلاعات جغرافیایی داوطلبانه برای آلمان. In Geospatial Thinking: مجموعه مقالات سیزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی ; Painho, M., Santos, MY, Pundt, H., Eds. Springer: برلین، آلمان، 2010. [ Google Scholar ]
  41. ولفنزبرگر، ام. ریشتر، K.-F. یک برنامه تلفن همراه برای مجموعه ای از نشانه های تولید شده توسط کاربر. در وب و سیستم های اطلاعات جغرافیایی بی سیم، سمپوزیوم بین المللی در وب و سیستم های اطلاعات جغرافیایی بی سیم، گرنوبل، فرانسه، 21-22 مه 2015 . Springer: برلین، آلمان، 2015; صص 3-19. [ Google Scholar ]
  42. گات، ا. Reiter، E. SimpleNLG: یک موتور تحقق برای کاربردهای عملی. در مجموعه مقالات دوازدهمین کارگاه اروپایی در مورد نسل زبان طبیعی، آتن، یونان، 30-31 مارس 2009. ص 90-93.
  43. Bollmann, M. تطبیق SimpleNLG به آلمانی. در مجموعه مقالات سیزدهمین کارگاه اروپایی در مورد تولید زبان طبیعی (ENLG)، نانسی، فرانسه، 28 تا 30 سپتامبر 2011. صص 133-138.
  44. دی اولیویرا، آر. Sripada، S. تطبیق SimpleNLG برای تحقق پرتغالی برزیل. در مجموعه مقالات هشتمین کنفرانس بین المللی نسل زبان طبیعی، فیلادلفیا، PA، ایالات متحده آمریکا، 19 تا 21 ژوئن 2014. ص 93-94.
  45. Vaudry، P.-L. لاپالم، جی. تطبیق SimpleNLG برای اجرای دو زبانه انگلیسی-فرانسوی. در مجموعه مقالات چهاردهمین کارگاه اروپایی در زمینه تولید زبان طبیعی، صوفیه، بلغارستان، 8 تا 9 اوت 2013. ص 183-187.
Ijgi 06 00064 g001 550
شکل 1. توزیع نامزدهای شاخص در لندن بزرگ ( بالا ) و هرتفوردشایر ( پایین ).
Ijgi 06 00064 g002 550
شکل 2. محاسبه موقعیت ویژگی در رابطه با نقطه راه.
Ijgi 06 00064 g003 550
شکل 3. مکان ویژگی ها. مربع ها نشان دهنده نقاطی از ویژگی نزدیک به نقطه مرجع هستند و دایره ها نشان دهنده نقاطی از ویژگی هستند که نزدیکترین آنها به نقطه راه هستند. مربع پر شده با دایره نشان می دهد که دو نقطه در یک مکان (یا بسیار نزدیک) قرار دارند (داده منبع © مشارکت کنندگان OpenStreetMap).
Ijgi 06 00064 g004 550
شکل 4. جریان درخواست سرویس ناوبری. LIS، خدمات شناسایی نقطه عطف؛ ORS، OpenRouteService.
Ijgi 06 00064 g005 550
شکل 5. دستورالعمل ناوبری در برنامه مشتری تلفن همراه.
Ijgi 06 00064 g006 550
شکل 6. مسیر ایجاد شده نشان دهنده نقاط دستورالعمل و نشانه های مورد استفاده (نقشه پایه © مشارکت کنندگان OpenStreetMap).
Ijgi 06 00064 g007 550
شکل 7. مسیر تولید شده در Gospić، کرواسی (نقشه پایه © مشارکت کنندگان OpenStreetMap).
Ijgi 06 00064 g008 550
شکل 8. نقطه عطفی که به اشتباه رد شده است (نقشه پایه © مشارکت کنندگان OpenStreetMap).
جدول
جدول 1. انواع ویژگی های مورد استفاده برای انتخاب نشانه.
جدول
جدول 2. نامزدهای شاخص برای یک نقطه تصمیم گیری.
جدول
جدول 3. دستورالعمل های ایجاد شده برای مسیر در Gospić، کرواسی.

;کاربردهای GISمقالات

آموزش کاربردیآموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370