اندازه گیری برجستگی معنایی شاخص از طریق جریان داده های جغرافیایی اجتماعی

خلاصه

تحقیقات در زمینه شناخت فضایی نشان داد که ارجاع به نقاط عطف در ارتباطات و تفسیر دستورالعمل های راهیابی برای انسان ضروری است. به منظور شناسایی نقاط عطف، مدلی برای ارزیابی برجسته بودن آنها قبلا توسط Raubal و Winter ایجاد شده است. بر اساس مدل آنها، برجستگی نقطه عطف به سه دسته بصری ، ساختاری و معنایی تقسیم می شود. راه حل های متعددی برای تشخیص خودکار نشانه ها بر اساس این دسته بندی ها پیشنهاد شده است. به دلیل فقدان داده های مرتبط، برجستگی معنایی اغلب به اهمیت تاریخی و فرهنگی اشیاء تقلیل یافته است. بعد اجتماعی ( یعنی، روشی که یک شی توسط یک فرد یا گروهی از افراد تمرین و تشخیص داده می شود) به طور سیستماتیک از معیار برجستگی معنایی شاخص حذف می شود حتی اگر یک جزء مهم را نشان دهد. از زمان ظهور اینترنت موبایل و تلفن های هوشمند، تولید محتوای جغرافیایی از پلتفرم های وب اجتماعی – که به عنوان داده های جغرافیایی اجتماعی نیز توصیف می شود – رایج شد. در واقع، این داده‌ها به ما اجازه می‌دهند که درک بهتری از دانش جغرافیایی محلی داشته باشیم. بنابراین، ما استدلال می‌کنیم که داده‌های جغرافیایی اجتماعی، به‌ویژه مجموعه داده‌های اشتراک‌گذاری موقعیت اجتماعی ، منبع قابل اعتمادی از اطلاعات برای اندازه‌گیری دقیق برجستگی معنایی شاخص در منطقه شهری است.

کلید واژه ها:

سیستم های تشخیص خودکار نشانه ها ; نقاط دیدنی ; برجسته معنایی ; محلی بودن شبکه های اجتماعی آنلاین ؛ اشتراک گذاری موقعیت اجتماعی ؛ مسیریابی

چکیده گرافیکی

1. معرفی

محققان آزمایشگاه شهر حسی MIT که بر روی شهرهای بلادرنگ کار می کردند ، پتانسیل مجموعه داده های مبتنی بر مکان را در درک پویایی شهری مورد توجه قرار دادند [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ]. از زمان ظهور اینترنت موبایل و تلفن های هوشمند، مردم به حسگرهای حساسی تبدیل شدند که قادر به انتقال سریع و تولید اطلاعات جغرافیایی بودند [ 7 ]. در حال حاضر شهروندان به عنوان حسگرهای غیرفعال و همچنین حسگرهای فعال در نظر گرفته می شوند [ 8]. در حالت اول، داده ها در یک جریان کم و بیش ثابت منتقل می شوند (به عنوان مثال، زمانی که کاربران گوشی های هوشمند عملکرد موقعیت جغرافیایی را فعال می کنند) در حالی که در مورد دوم، کاربران به طور عمدی اطلاعات مکانی تولید می کنند (به عنوان مثال، ورود Swarm یا انتشارات فیس بوک جغرافیایی). بخش بزرگی از این « اطلاعات جغرافیایی داوطلبانه » (VGI) [ 7 ] از پلتفرم‌های وب اجتماعی، مانند فیس‌بوک، توییتر و Swarm (قبلاً Foursquare) تولید می‌شود. از آنجایی که عملکرد موقعیت جغرافیایی اکنون در هر یک از این پلتفرم‌ها در دسترس است، کاربران می‌توانند پست‌های خود (به عنوان مثال ، نظرات، عکس‌ها، ویدیوها یا توییت‌ها) را برچسب‌گذاری جغرافیایی کنند. در میان بهمن ” داده های جغرافیایی بزرگ ” [ 9 ]، اشتراک گذاری موقعیت مکانی اجتماعی[ 10 ] و به‌ویژه مجموعه‌های داده ورود به سیستم ما را قادر می‌سازد تا نحوه تعامل روزانه شهروندان با مکان‌های شهری را مشاهده و اندازه‌گیری کنیم. در واقع، محققان ردپای دیجیتال ادعا می‌کنند که بعد اجتماعی مکان‌ها در این داده‌های فضایی ثبت می‌شوند [ 11 ]. از آنجایی که دانش جغرافیایی محلی ( یعنی محلی بودن) اکنون در دسترس است، باید از این فرصت برای بهبود روابط بین شهروندان و شهرهایشان استفاده کنیم.

در واقع، تحلیل چنین داده‌هایی در این زمینه با مفهوم شهر هوشمند مطابقت دارد . در واقع، دومی در حال حاضر نشان دهنده راه حل مناسب برای مواجهه با افزایش پیوسته شهرنشینی جهانی است. با توجه به Giffinger و همکاران. یک شهر هوشمند معمولا به شش دسته تقسیم می شود: اقتصاد هوشمند، محیط هوشمند، حکمرانی هوشمند، زندگی هوشمند ، افراد هوشمند و در نهایت تحرک هوشمند [ 12 ].]. بهبود مشترک این شش دسته مرتبط به هم بستگی به مدیریت و بهره برداری موثر از فناوری های اطلاعات و ارتباطات (ICT) و داده های دیجیتال دارد [ 13 ]. با این وجود، یک شهر هوشمند نمی تواند بدون سرمایه انسانی وجود داشته باشد [ 14 ]. به‌طور دقیق‌تر، شهروندان باید ابتدا « سواد فضایی » داشته باشند تا در ارتقای نسل بعدی شهرهای مجهز به فضایی مشارکت داشته باشند [ 15 ].

بنابراین، ما این سوال تحقیقاتی جهانی را به عنوان نقطه شروع مطرح می کنیم: آیا می توانیم هوش شهری را با استفاده از داده های جغرافیایی اجتماعی تولید شده توسط کاربران شبکه های اجتماعی آنلاین بهبود بخشیم ؟ ما استدلال می کنیم که محتوای جغرافیایی منتشر شده در Facebook و Swarm می تواند برای افزایش سواد فضایی شهروندان مورد سوء استفاده قرار گیرد. به‌طور دقیق‌تر، مجموعه‌داده‌های ورود به سیستم را می‌توان برای بهبود مسیریابی انسان و تحرک هوشمند با شناسایی نشانه‌های معنایی مرتبط استفاده کرد. تحقیقات زیادی در مسیریابی انجام شده است تا افراد را قادر سازد تا در سریع ترین زمان ممکن به مقصد مورد نظر برسند، با طراحی علائم جهت گیری مناسب به افراد دارای معلولیت کمک کنند و واقعیت گم شدن را کاهش دهند [ 16 ].]. بنابراین، طراحی ابزارهایی که به طور موثر از مسیریابی افراد حمایت می کند، یک نگرانی اصلی باقی مانده است.

به منظور دفاع از استدلال خود، در بخش بعدی یک وضعیت مختصر هنر مرتبط با مفهوم راهیابی را به تفصیل شرح می دهیم . سپس، هم بر نقاط عطف و هم بر سیستم هایی که برای تشخیص خودکار آنها طراحی شده اند تمرکز می کنیم. بخش چهارم دلایلی را مطرح می‌کند که به نظر ما، بررسی‌ها منبع قابل اعتمادی از اطلاعات برای شناسایی نشانه‌های معنایی هستند. به‌طور دقیق‌تر، سه امتیاز بر اساس بررسی‌های فیس‌بوک و Swarm به منظور اندازه‌گیری برجستگی معنایی شاخص پیشنهاد شده‌اند. در نهایت، بخش آخر این مقاله مثال‌های ملموسی را ارائه می‌کند که در آن این امتیازات با مجموعه داده‌های بررسی‌شده واقعی جمع‌آوری‌شده از APIهای Facebook و Foursquare اعمال می‌شوند.

2. انسان راه یابی

یافتن راه یکی از دغدغه‌های انسان‌ها از آغاز زمان بوده است، اما اصطلاح «راه‌یابی» تنها از اواسط قرن بیستم در ادبیات ظاهر شد.

2.1. تعریف راه یابی انسانی

تعریف رسمی اصطلاح « راه یاب » به طور کلی به لینچ نسبت داده می شود که این عبارت را در کار خود در مورد « تصویرپذیری » شهر به کار برد. او راهیابی را به عنوان ” استفاده مداوم و سازماندهی نشانه های حسی مشخص از محیط خارجی ” [ 17 ] (ص. 3) تعریف می کند. به گفته وی، راهیابی عبارت است از پویش محیط فیزیکی به منظور ایجاد بازنمایی ذهنی آن. به طور دقیق تر، ما اشیاء متمایز را در مغز خود ذخیره و سازماندهی می کنیم تا تصویری منسجم ایجاد کنیم. لینچ این اشیاء را در پنج دسته طبقه بندی می کند: (1) نشانه ها، که نشانه های خارجی هستند که از دور قابل مشاهده هستند. (2) گره ها که نقاط استراتژیک هستند. (3)مسیرهایی که بر خلاف (4) لبه ها با عناصری که افراد روی آن حرکت می کنند مطابقت دارد. و در نهایت (5) ولسوالی .

داونز و استا یک چارچوب نظری پیشنهاد کرده اند که عوامل کلیدی اصلی موفقیت راهیابی را مشخص می کند [ 18 ]. آنها چهار فرآیند [ 16 ] را متمایز می کنند:

جهت گیری ( یعنی آگاهی از موقعیت نسبی خود در مقایسه با مقصد نهایی).
انتخاب مسیر ( یعنی تعیین مسیر برای رسیدن به مقصد نهایی).
کنترل مسیر ( یعنی دنبال کردن مسیری که قبلا ایجاد شده است).
شناخت مقصد ( یعنی فهمیدن اینکه به مقصد نهایی رسیده ایم).

امروزه عموماً پذیرفته شده است که راهیابی با فرآیند شناسایی و دنبال کردن یک مسیر برای رسیدن به مقصد مورد نظر مطابقت دارد [ 19 ]. مونتلو و راوبال آن را بخشی از ناوبری می دانند که مربوط به یک وظیفه فضایی-شناختی است که « شامل وظایف خاصی مانند ایجاد و انتخاب مسیرها، ایجاد و حفظ جهت گیری با توجه به مکان شروع یا با توجه به ویژگی ها یا مکان های خارجی است. تشخیص اینکه چگونه نشانه‌ها از نظر مکانی با دیگر نشانه‌ها یا جنبه‌های دیگر محیط ارتباط دارند، قضاوت در مورد فاصله‌ها، به خاطر سپردن توالی چرخش‌ها، و به خاطر سپردن مکان‌های اشیاء و رویدادها » [ 20 ] (ص 251). با توجه به این تعریف، راهیابی وحرکت هر دو جزء مجزا هستند که با هم در فرآیند ناوبری دخیل هستند . به طور خلاصه، روند راهیابی تا حد زیادی به حس جهت گیری و نشانه های محیطی ما بستگی دارد، مانند موارد وقت شناس و خطی (مانند ساختمان ها و جاده ها) و همچنین مناطق (مثلاً محله ها). این اشیاء دانش فضایی را تشکیل می دهند که (1) در حافظه ما ذخیره می شود، به ویژه هنگامی که در یک محیط ناآشنا تکامل می یابند. و اینکه (2) ما می توانیم در مواقع لزوم به خاطر بیاوریم (مثلاً راه خود را پیدا کنیم یا با ارائه دستورالعمل های راهیابی به کسی کمک کنیم تا این کار را انجام دهد).

2.2. دانش فضایی انسان

کسب دانش فضایی از طریق توانایی های فضایی انجام می شود که معمولاً در سه دسته [ 21 ] گروه بندی می شوند: (1) روابط فضایی ، یعنی درک روابط فضایی اساسی. (2) تجسم فضایی ، یعنی مشاهده و ذخیره این روابط. و (3) جهت گیری فضایی ، یعنی جهت گیری خود در فضا. از یک طرف، این اکتساب می تواند از طریق یک تجربه مستقیم از فضا (به عنوان مثال ، یادگیری اولیه)، و از سوی دیگر، از طریق پشتیبانی، مانند نقشه ها [ 22 ] انجام شود.

علاوه بر این، سه نظریه مرتبط با یادگیری اولیه با هم زندگی می کردند. اولین مورد، نشانه ها را اساس دانش فضایی در نظر می گیرد (مسیرها اطلاعات ثانویه ای هستند که به آنها پیوست شده است). نظریه دوم خلاف این را ادعا می کند; به عنوان مثال ، خطوط جزء اصلی هستند. آخرین نظریه پیشنهاد می کند که کسب دانش فضایی به صورت مجموعه ای از چشم اندازهای ذخیره شده در حافظه ما سازماندهی می شود [ 22 ].

با این وجود، نظریه سیگل و وایت [ 23 ] بیشترین تأثیر را در حوزه نقشه برداری شناختی داشت. این نظریه که با نام اختصاری LRS برای Landmark-Route-Survey شناخته می شود، نشان می دهد که نقشه شناختی ما به صورت سلسله مراتبی در سه سطح سازماندهی شده است: (1) دانش نقطه عطف ، (2) دانش مسیر ، و در نهایت (3) دانش نظرسنجی ( ر.ک. به شکل. 1 ). نظریه آنها متوالی است زیرا تا حد زیادی از کار پیاژه در ابعاد توپولوژیکی، تصویری و اقلیدسی فضا الهام گرفته شده است.

شکل 1. نظریه دانش Landmark-Route-Survey طبق سیگل و وایت [ 23 ].

بر اساس این نظریه، نشانه ها پایه دانش فضایی را تشکیل می دهند. برخلاف تعریف محدود کننده لینچ [ 17 ]، اکنون به طور گسترده پذیرفته شده است که تقریباً هر مورد را می توان به عنوان یک نقطه عطف در نظر گرفت: ساختمان ها، درختان یا حتی اتومبیل های پارک شده ( ر.ک. [ 24 ، 25 ).] برای نمونه های عینی از نشانه ها). دانش مسیر دنباله ای از مسیرها است که در آن گره ها با نشانه های اصلی که قبلاً به خاطر سپرده شده اند مطابقت دارند. مرحله نهایی کسب دانش نظرسنجی است. که معمولاً با یک نقشه کلاسیک از دید پرنده نشان داده می شود. در این مرحله، ما باید از پیکربندی کلی محیط و روابط بالقوه بین اجزای مختلف فضایی آن آگاه باشیم. به علاوه، قرار است بتوانیم مسافت ها، جهت ها را تخمین بزنیم و میانبرهایی را برای رسیدن به یک مقصد در سریع ترین زمان ممکن انتخاب کنیم. اگرچه محققان برخی چارچوب های نظری جایگزین را پیشنهاد کرده اند (به عنوان مثال، [ 26])، نظریه سیگل و وایت هنوز مرتبط است. فقط ماهیت متوالی آن زیر سوال رفته است زیرا نشان داده شده است که هم بزرگسالان و هم کودکان می‌توانند مسیری را بدون اینکه لزوماً نشانه‌هایی در ذهن داشته باشند به خاطر بسپارند (برای بحث به فصل 5 کتاب کیچین و تیغه‌ها [ 22 ] مراجعه کنید).

2.3. کمک به راهیابی

سه رسانه از راهیابی پشتیبانی می کنند: مواد نوشتاری، نقشه ها و دستورالعمل های مسیر [ 22 ]. نقشه های سنتی تا زمان ورود خدمات مبتنی بر مکان، پشتیبانی اصلی جهت گیری بودند. برنامه های نقشه برداری، مانند نقشه های گوگل، نقشه های یاهو یا اپل پلن، اکنون معمولاً به عنوان یک ابزار کمک ناوبری شخصی استفاده می شوند. مانند اولین سیستم های ناوبری اتومبیل GPS، این برنامه های کاربردی تلفن همراه دو الگوریتم مسیریابی را ارائه می دهند: کوتاه ترین و سریع ترین مسیر. با این حال، دستورالعمل های راهیابی (به عنوان مثالدستورالعمل‌های کلامی) ارائه شده از نظر شناختی کافی نیستند زیرا منحصراً بر اساس نام خیابان‌ها هستند. در واقع، برخی از محققان کار خود را بر ساختار دستورالعمل‌هایی که افراد در یک زمینه راه‌یابی ارائه می‌کنند متمرکز کرده‌اند و دریافته‌اند که اساساً از نشانه‌ها تشکیل شده‌اند ( برای یک مرور کلی، [ 27 ، 28 ] را ببینید). به عنوان مثال، در آزمایش دانیل و دنیس [ 29 ]، هر دستورالعمل مسیر حاوی نقاط عطفی واقع در نقاط تصمیم بود. ما چهار نوع نقطه تصمیم را تشخیص می دهیم: (1) نقاط انتخاب ، واقع در تقاطع هایی که مسافر باید یک عمل را انجام دهد ( یعنی گردش به چپ یا راست). (2)نقاط انتخاب بالقوه ، همچنین در تقاطع ها قرار دارند، اما در این مورد مسافر هیچ اقدامی برای انجام ندارد. (3) نقاط در مسیر ، واقع در امتداد مسیر مسافر. بر خلاف (4) نقاط خارج از مسیر ، که برای ارائه اطلاعات جهت گیری جهانی استفاده می شود [ 30 ].

این روند در مطالعه بعدی تأیید شد ( ر.ک. [ 31 ]) و از مفهوم دنیس از «توصیف اسکلتی» پشتیبانی می‌کند. به عنوان مثال ، مجموعه‌ای از دستورالعمل‌های مسیر فشرده که فقط شامل نشانه‌های اصلی و اقدامات لازم برای اجرا است [ 32 ]. علاوه بر این، Michon و Denis [ 33 ] و همچنین تام و دنیس [ 34 ] متوجه شدند که ارجاعات به نام خیابان ها در دستورالعمل های مسیر حاکی از تأخیر قابل توجهی در زمان سفر در مقایسه با دستورالعمل های مبتنی بر نشانه است. سفرهایی که بر اساس دستورالعمل‌های نام‌گذاری خیابان‌ها انجام می‌شدند، شامل استراحت‌های مکرر برای اطمینان از کنترل مسیر بود . علاوه بر این، به خاطر سپردن یک مسیر بسیار تسهیل می‌شود که دستورالعمل‌ها از نشانه‌ها ترکیب شده با یک عمل برای انجام [ 35 ]. به عبارت دیگر، ترکیب نشانه‌ها با یک اقدام برای تحقق، مهم‌تر از مقدار نشانه‌های موجود در دستورالعمل‌ها است [ 36 ].

برای نتیجه‌گیری، نقشه‌های مبتنی بر دانش مسیر ( یعنی نقشه‌ای که بر نشانه‌ها و مسیرها تأکید می‌کند) از نظر شناختی مناسب‌تر از نقشه‌های مبتنی بر دانش بررسی هستند [ 27 ، 32 ، 37 ]. به نظر ما، تصادفی نیست که آخرین نسخه Google Maps اکنون یک نقشه شخصی سازی شده ارائه می دهد که مکان های مورد علاقه هر کاربر را برجسته می کند. با این حال، هیچ پلت فرم نقشه برداری وجود ندارد که جهت های کلامی را بر اساس نشانه ها ارائه دهد.

3. به سمت تشخیص خودکار نشانه ها

بر اساس یافته‌هایی که به طور خلاصه در بالا خلاصه شد، برخی از محققان کارهای خود را بر روی روش‌های مختلف متمرکز کردند تا برجستگی‌های شاخص را ارزیابی کنند. توسعه سیستم‌هایی که قادر به شناسایی خودکار نقاط عطف مرتبط هستند همچنان یک چالش بزرگ است.

3.1. برجستگی نشانه‌ها و سیستم‌های تشخیص خودکار نشانه‌ها

3.1.1. مدل رسمی نقطه عطفی

همانطور که توضیح داده شد، نشانه ها را می توان (1) به عنوان نشانگر ( به عنوان مثال ، یک نشانه محیطی) در نظر گرفت که برای یافتن راه استفاده می شود. (2) به عنوان یک مفهوم سازمان دهنده از دانش فضایی انسان. و (3) به عنوان یک جزء ضروری از دستورالعمل های مسیر . با این وجود، کمبود در توصیف نشانه‌ها همچنان ادامه داشت. در نتیجه، Sorrows و Hirtle سه دسته از نشانه‌ها را پیشنهاد کرده‌اند [ 38 ]. اولاً، نشانه های بصری قابل شناسایی ترین و به یاد ماندنی ترین اشیاء در مقایسه با اشیاء اطراف هستند. ثانیاً، نشانه های شناختی اشیایی هستند که با معنای خود برجسته می شوند: ممکن است شیئی باشد که دارای اهمیت تاریخی یا فرهنگی است، که با عملکرد خود از بقیه متمایز است (مثلاً میخانه ای که در داخل محوطه دانشگاه قرار دارد)، یا صرفاً شیئی باشد که برای یک شخص یا گروه محدودی ارزشمند است. مردم. در نهایت، نشانه های ساختاری با موقعیت استراتژیک آنها (به عنوان مثال، یک تقاطع اصلی) مشخص می شود.

با توجه به این تعریف، Raubal و Winter مدلی را توسعه داده اند که برجستگی مکان های دیدنی را اندازه گیری می کند، همچنین به عنوان نقطه عطف توصیف می شود ( ر.ک. شکل 2 ) [ 39 ]. مدل آنها بر کیفیت های جذاب نمای ساختمان ها تمرکز دارد. اولین کیفیت، یعنی جذابیت بصری ، ترکیب چندین زیرمجموعه از جمله مساحت و شکل نما و همچنین رنگ و دید آن است. جاذبه دوم که ساختاری نامیده می شود ، بر اساس عناصر ساختاری شناسایی شده توسط لینچ [ 17 ] است. یعنی, گره ها , لبه ها و نواحی . آخرین کیفیت، یعنی جاذبه معنایی ، مستقیماً به اندوه ها و نشانه های شناختی هیرتل اشاره دارد . با این حال، مدل تنها اهمیت تاریخی و فرهنگی نما و علائم صریح را در نظر می گیرد. ناثگر و همکاران این مدل را بر روی ساختمان های واقع در خیابان های وین آزمایش کرده اند [ 40 ]. یافته‌ها قطعی بودند زیرا انتخاب شرکت‌کنندگان از نقاط عطف عمدتاً با موارد شناسایی شده از طریق مدل مطابقت داشت.

شکل 2. برجسته بودن نقطه عطف با توجه به مدل رابال و زمستان [ 39 ].

در نتیجه، مدل Raubal و Winter – که اکنون به عنوان مدل اصلی از آن یاد می کنیم – به عنوان یک پیشرفت قابل توجه در زمینه تشخیص خودکار نقطه عطف در نظر گرفته شد. بنابراین، پس از آن بهبود یافته است. زمستان مفهوم پیشروی را معرفی کرد [ 41 ]. ایده بسیار ساده است: انتخاب یک ساختمان به عنوان یک نقطه عطف در درجه اول به دید قبلی آن بستگی دارد. به عنوان مثال ، اگر از دور و در مراحل اولیه ناوبری قابل مشاهده باشد. به عبارت دیگر، ساختمان هایی که به سختی قابل رویت هستند، عملا خواهند بودکمتر ارزش گذاری شده یا حتی از معادله حذف شده است. بنابراین دید پیشرفته یک پارامتر تعیین کننده است که باید با جاذبه های بصری، معنایی و ساختاری ترکیب شود. افزایش دوم مدل با Winter و همکاران مرتبط است. مفهوم تمرکز [ 42 ]. آنها فرض می کنند که انتخاب یک نقطه عطف ارتباط نزدیکی با زمینه ناوبری دارد. به طور دقیق تر: نحوه سفر (پیاده یا با ماشین)، نوع سفر (تفریحی یا اضطراری)، محیط و شرایط پیمایش (شهری یا روستایی، شبانه روزی) و در نهایت توانایی های فضایی و شناختی افراد.(به عنوان مثال، میزان دانش محلی از محیط زیست). در نتیجه، وینتر و همکاران. پیشنهاد می شود برای هر یک از ویژگی های جذاب ساختمان ها (به عنوان مثال ، بصری، معنایی و ساختاری) بسته به زمینه ناوبری، وزن دهی اعمال شود. بنابراین، برای مثال، وزن ویژگی رنگ یک کلوپ شبانه باید در طول شب در تعطیلات آخر هفته افزایش یابد. سرانجام، کلیپل و وینتر مفهوم برجستگی سازه را غنی کردند [ 43 ]: موقعیت یک ساختمان عامل تعیین کننده برجستگی سازه ای آن باقی می ماند. به عبارت دیگر، اگر بنا به لطف موقعیتش به راحتی (چه از نظر بصری و چه از نظر شناختی) قابل تشخیص باشد، از برجستگی سازه ای بالایی برخوردار است.

3.1.2. سیستم های تشخیص نقطه عطف خودکار

بر اساس مدل اصلی غنی شده، محققان چندین رویکرد برای طراحی سیستم‌های تشخیص نقطه عطف خودکار (ALDS) پیشنهاد کرده‌اند ( جدول 1 ). به طور دقیق تر، دو نسل از ALDS به وضوح برجسته بودند. در هر دو نسل، تشخیص نقطه عطف بر اساس یک رویکرد جهانی است: (1) اول از همه، تجزیه و تحلیل همسایگی در هر نقطه انتخاب انجام می شود. (2) در میان ساختمان‌های شناسایی‌شده، تجزیه و تحلیل‌های مختلفی از ویژگی‌های آنها به منظور تعیین نقطه‌های پرت انجام می‌شود. و (3) این نقطه پرت به عنوان کاندیدای شاخص [ 44 ] انتخاب می شود.

نسل اول عموماً به تحقیقات الیاس و سپس وینتر و همکاران مربوط می شود. [ 45 ، 46 ]. الیاس روشی را پیشنهاد کرد که به طور خودکار نقاط عطف را با استفاده از رویکرد داده کاوی بر اساس الگوریتم ID3 Quilan استخراج می کند. هنگامی که تجزیه و تحلیل محله انجام شد، الگوریتم به طور متوالی برای ویژگی های هر ساختمان ذخیره شده در یک پایگاه داده فضایی کاداستر (به عنوان مثال، کاربری ساختمان، اندازه ساختمان، تعداد گوشه ها، جهت گیری به جاده، و غیره ) اعمال می شود. پس از هر تکرار، یک درخت تصمیم تولید می‌کند: کوتاه‌ترین آنها نشان‌دهنده نقطه‌های پرت و در نتیجه کاندیدای شاخص است. در غیر این صورت، وینتر و همکاران. یک الگوریتم به منظور ایجاد یک سلسله مراتب از نشانه ها (به عنوان مثال ، نشانه های جهانی و محلی) بر اساس ارتفاع ساختمان ها [ 46 ]. روش آنها بر محاسبه چند ضلعی های حاصل از نمودار ورونوی و مثلث سازی دلونی متکی است. ALDSs پیشنهاد شده توسط Elias و Winter و همکاران. [ 45 و 46 ] برای استقرار وب مناسب نیستند زیرا از یک طرف به یک معماری سنگین – معمولاً یک سیستم اطلاعات جغرافیایی – نیاز دارد و از طرف دیگر، منابع و زمان زیادی را مصرف می کند.

جدول 1. معیارهای برجستگی معنایی مورد استفاده برای طراحی سیستم‌های تشخیص نشانه خودکار (ALDS).

نسل دوم ALDS بر رویکرد مبتنی بر وب است که توسط داکهام و همکاران ارائه شده است. [ 52 ]. نسخه توسعه‌یافته الگوریتم آن‌ها (مدل Core LNM برای مدل ناوبری مشخص) چند سالی است که در سرویس مسیر آنلاین استرالیایی Whereis پیاده‌سازی شده است . این الگوریتم به‌جای تمرکز بر ویژگی‌های جداگانه هر ساختمان، طبقه‌بندی سطح بالای ساختمان‌ها را در نظر می‌گیرد. در مطالعه موردی خود در مورد Whereis، POI ها در نظر گرفته می شوند و دسته های آنها از دو منبع مختلف می آیند: سرویس صفحات زرد و پایگاه داده جغرافیایی Universal Publishers Pty Ltd. پس از ترکیب، این منابع 170000 POI و 66 دسته را ارائه می دهند. هر دسته بر اساس معیارهای مختلفی توسط یک گروه متخصص ارزیابی شد: اندازه فیزیکی ، برجستگی بصری ، تفاوت با محیط ، برجستگی شب در مقابل روز ، نزدیکی به جاده ، فراگیر بودن و آشنا بودن ، طول توضیحات (مواردی که نیاز به توضیح کوتاه دارند نشانه های مناسب تری هستند) ، گستره های فضایی (نقطه محورهای POI بهترین هستند) و در نهایت ماندگاری. این ارزیابی از طریق نمره مناسب بودن جهانی انجام می شود. به منظور شناسایی یک نامزد نقطه عطف در هر نقطه انتخابی، الگوریتم توسعه یافته Core LNM امتیاز کلی مناسب بودن شی، منحصر به فرد بودن آن و در نهایت موقعیت آن را در مقایسه با جاده (ساختمان های واقع در کنار جاده که در آن قرار دارند ) در نظر می گیرد. نوبت بعدی که قرار است انجام شود مناسب تر هستند). Whereis تنها پلتفرمی بود که جهت های کلامی مبتنی بر نقطه عطف را ارائه می کرد ( ر.ک. شکل 3 ). با این حال، از زمان به روز رسانی اخیر آن، این قابلیت دیگر در دسترس نیست.

شکل 3. نمونه ای از دستورالعمل های مبتنی بر نقطه عطف که توسط نسخه قبلی سرویس مسیر استرالیا ارائه شده است.

3.2. چالش ها و مسائل مربوط به ALDS

صادقیان و کانتاردزیچ [ 44 ] نقاط منفی مرتبط با رویکردهای پیشنهادی برای تشخیص خودکار نشانه‌ها را شناسایی کردند. داکهام و همکاران الگوریتم [ 52 ] به طور مستقیم مربوط نمی شود، زیرا پس از انتشار مقاله آنها توسعه یافت. این معایب اصلی در زیر ذکر شده است:

اول از همه، ALDS ها بیشتر بر ویژگی های بصری و ساختاری ساختمان ها تمرکز می کنند در حالی که معنای معنایی آنها نیز بسیار مهم است ( جدول 1 را ببینید). علاوه بر این، رویکردهای سنتی منحصراً مبتنی بر ویژگی‌های ثابت و عینی (به عنوان مثال، ارتفاع ساختمان‌ها) هستند. ویژگی های پویا و ذهنی مانند تعداد بازدیدکنندگان نیز باید در نظر گرفته شود. ما هیچ راه حلی را شناسایی نکردیم که چنین ویژگی های پویا را در نظر بگیرد.
از آنجایی که ارزیابی وزن‌دهی واقعی دشوار است، رویکردهای سنتی وزن‌دهی یکنواخت را برای ویژگی‌های هر شی اعمال می‌کنند. همانطور که گفته شد، وینتر و همکاران. [ 42 ] دنباله‌ای برای کار خود در زمینه ناوبری ارائه می‌دهند. علاوه بر این، داکهام و همکاران. [ 52 ] وزن قابل تنظیم را اعمال می کنند زیرا اندازه گیری نقطه عطف آنها وابسته به مسیر است.
جدا از چند راه حل (به عنوان مثال، [ 53 ])، تنها ساختمان ها در نظر گرفته می شوند. انواع دیگر اشیاء، مانند درختان، نادیده گرفته می شوند. با این حال، ساختمان‌ها تنها موردی نیستند که می‌توانند به‌عنوان نقاط عطفی برای ناوبری عمل کنند [ 37 ]. حتی اگر داکهام و همکاران. تصدیق می کنند که اشیاء غیر از ساختمان ها باید در نظر گرفته شوند، راه حل آنها از این قاعده عدول نمی کند [ 52 ].
راه‌حل‌های سنتی فقط بر نقاط عطف واقع در نقاط انتخاب یا نقاط انتخاب بالقوه تمرکز می‌کنند. با این حال، نقاط در مسیر و خارج از مسیر نیز در ناوبری بسیار مهم هستند [ 30 ]. ما باید بیان کنیم که Core LNM توسعه یافته شامل انتخاب نقاط عطف خارج از نقاط تصمیم است.

در میان تمام رویکردهای مرجع برای تشخیص خودکار نشانه‌ها، داکهام و همکاران. راه‌حل [ 52 ] امیدوارکننده‌ترین راه‌حل به نظر می‌رسد: علاوه بر اصلاح بسیاری از معایب نشان‌داده‌شده توسط صادقیان و کانتاردزیچ، الگوریتم آنها داده‌های مکانی زیادی را مصرف نمی‌کند. با این حال، استفاده از ویژگی های ذهنی و پویا برای اندازه گیری برجستگی معنایی به دلیل فقدان داده های مرتبط پشتیبانی نمی شود. همانطور که گفته شد، همانطور که هیرتل [ 54 ] و ریشتر [ 55 ] تأکید کردند، بهره برداری از محتوای تولید شده توسط کاربر در حال حاضر مناسب ترین گزینه برای پر کردن این شکاف است.

3.3. پتانسیل Crowdsourcing برای تشخیص خودکار نشانه‌ها

اندازه‌گیری برجستگی معنایی شاخص از طریق داده‌های پویا، زمانی که مدل راوبال و وینتر رسمیت یافت، تقریباً غیرقابل تصور بود. به لطف اطلاعات مکانی که اکنون روزانه توسط شهروندان تحویل داده می شود، این گزینه اکنون امکان پذیر است. این پدیده معمولاً به عنوان « جمع سپاری » شناخته می شود” به تدریج از طریق سه مرحله کلیدی ظاهر شد: (1) ظهور وب 2.0 توسعه ابزارها و ویژگی هایی را امکان پذیر کرد که تبادل مداوم اطلاعات بین کاربران اینترنت را تضمین می کند. (2) افزایش موقعیت جغرافیایی و خدمات مبتنی بر مکان که همراه با (3) توسعه اینترنت موبایل و تلفن های هوشمند است، غنی سازی مشترک داده های مکانی را ممکن کرد. در ثبت نقطه عطف، Richter و Winter ماژولی را توسعه داده‌اند که به مشارکت‌کنندگان اجازه می‌دهد برچسب‌هایی را که حاوی اطلاعات شاخص در OpenStreetMap (OSM) هستند، اضافه کنند [ 56 ]]. از یک طرف، کاربران می توانند یک شی موجود را به عنوان نقطه عطف تعریف کنند. از سوی دیگر، اگر شی شناسایی شده در پایگاه داده وجود نداشته باشد، از کاربران دعوت می شود تا علامت مشخصه را ایجاد کنند. همانطور که توسط ریشتر اشاره شد، استفاده از رویکرد مشابه با نمای خیابان گوگل [ 55 ] نیز امکان پذیر است. این رویکرد به غلبه بر موانع شناسایی شده توسط صادقیان و کانتاردزیچ [ 44 ] کمک می‌کند، اما در مورد پاداش‌های مشارکت‌کنندگان نیز مضراتی را به همراه دارد. تا آنجایی که راه یابی مبتنی بر نقطه عطف محبوب نیست، کاربران OSM ممکن است از خود بپرسند که با کمک به غنی سازی اطلاعات نقطه عطف، چه نوع مزایایی می توانند داشته باشند.

اکنون، از آنجایی که محتوای اجتماعی آنلاین دارای برچسب جغرافیایی رایج است و به راحتی قابل دسترسی است، ما استدلال می کنیم که داده های جغرافیایی اجتماعی باید برای تقویت ALDS استفاده شوند. در واقع، اگر راه‌حل‌های پیشنهاد شده برای تشخیص خودکار نشانه‌ها قبلاً بر پارادایم Big GIS [ 57 ] متمرکز شده بود، اکنون بدون شک به سمت بهره‌برداری از برچسب‌گذاری اجتماعی و مردمی [ 58 ] برای تغذیه پایگاه‌های اطلاعاتی نسل بعدی ALDS حرکت می‌کنیم. . در این زمینه، تومکو [ 47 ] به دنبال تزوکا و تاناکا [ 48 ]] رویکردهایی را ارائه می‌کند که نشان‌دهنده پیش‌فرض بهره‌برداری از محتوای تولید شده-جغرافیایی کاربر (UGGC) برای تشخیص خودکار نشانه‌ها است. روش آنها بر متن کاوی اعمال شده در اسناد وب در سراسر جهان متمرکز است. برخلاف رویکرد الیاس و مدل اصلی، این محققان به‌ویژه به نحوه بیان مکان‌ها توسط کاربران اینترنت به جای درک بصری ( یعنی مشاهده شده) علاقه‌مند هستند. آنها آنچه را که “اشیاء جغرافیایی مهم شناختی” می نامند ( یعنی اشیایی که ممکن است به عنوان یک نقطه عطف عمل کنند) را با رمزگشایی بافت فضایی اسناد وب استخراج می کنند. با توجه به داده‌های جمع‌سپاری، بیشتر راه‌حل‌ها بر تجزیه و تحلیل عکس‌های دارای برچسب جغرافیایی تمرکز دارند (به [ 59 ، 60 ، 61 مراجعه کنید.]). اخیراً، محققان از داده های جغرافیایی یک بازی مبتنی بر مکان برای شناسایی نشانه های ساختاری استفاده کردند [ 62 ]. علاوه بر این، شوارتز و نامان ادعا می کنند که جریان های داده های جغرافیایی اجتماعی می توانند نقشه های ذهنی شخصی و جمعی شهرها را آشکار کنند [ 63 ]. ما با این دیدگاه موافقیم و استدلال می‌کنیم که مجموعه داده‌های اشتراک‌گذاری مکان اجتماعی تولید شده توسط کاربران شبکه‌های اجتماعی آنلاین می‌تواند به طور موثر برای افزایش معیار برجستگی معنایی شاخص مورد سوء استفاده قرار گیرد.

4. مجموعه داده های اشتراک گذاری موقعیت مکانی اجتماعی به عنوان منبع اطلاعاتی قابل اعتماد برای اندازه گیری برجستگی معنایی شاخص

اشتراک‌گذاری موقعیت مکانی اجتماعی (SLS) شامل ادعای «من در آن مکان هستم/بودم» از طریق اعلام حضور است . سیستم اعلام حضور با شبکه های اجتماعی مبتنی بر مکان (LBSN) معرفی شد و اکنون در اکثر شبکه های اجتماعی آنلاین (به عنوان مثال، فیس بوک، گوگل پلاس، اینستاگرام و غیره ) گنجانده شده است. در این بخش اول، توضیح می‌دهیم که چرا باید از داده‌های SLS برای اندازه‌گیری برجستگی معنایی نشانه‌ها (LSS) استفاده شود. بخش دیگر چگونگی اندازه گیری LSS را از طریق سه امتیازی که می توان با داده های جغرافیایی Swarm و Facebook محاسبه کرد، توضیح می دهد.

4.1. چرا از داده های اشتراک گذاری موقعیت مکانی اجتماعی برای اندازه گیری برجستگی معنایی شاخص استفاده کنیم؟

4.1.1. یک شاخص مرتبط از معنای جمعی و فردی مکان ها

همانطور که در بخش قبل گفته شد، روش‌های شناسایی نشانه‌ها به‌طور خودکار نتوانستند رویه‌های روزانه افراد از مکان‌ها را در اندازه‌گیری LSS خود لحاظ کنند. به عنوان یک قاعده کلی، تنها جایگزین امکان پذیر اتخاذ شده، جذب LSS با اهمیت تاریخی و فرهنگی اشیا بود. در غیر این صورت، LSS فقط تخمین زده شد و اندازه گیری نشد ( ر.ک. [ 52 ]). از آنجایی که معیار LSS آشکارا عددی است، مسئله اصلی یافتن داده‌هایی بود که به بهترین شکل ممکن رفتارهای مبتنی بر مکان شهروندان را منعکس می‌کردند. ما استدلال می کنیم که اکنون می توان با بهره برداری از داده های جغرافیایی به اشتراک گذاشته شده در اینترنت توسط شهروندان، آن را برطرف کرد. در واقع، VGI به طور گسترده ای به عنوان قابل اعتمادترین شاخص دانش جغرافیایی محلی در نظر گرفته می شود [ 64 ].

به طور خاص، VGI به نظر ما توسط دو نوع داده تشکیل شده است: داده های سطحی و مکانی . بر خلاف داده های پلاتیال، بعد فضایی داده های مکانی مولفه مکان محور را در نظر نمی گیرد. از نظر تئوری، فضا اغلب به یک تکیه گاه ساده کاهش می یابد که ما روزانه با آن در تعامل هستیم. طبق این بیانیه، فضا یک چارچوب مرجع دلخواه است که از نقاط معادل ( یعنی مکان ها) تشکیل شده است. نقشه کشی سنتی اقلیدسی و داده های مکان یابی بر اساس این دیدگاه دکارتی از فضا است. به نظر ما، بسیاری از VGI با داده های مکانی اولیه (به عنوان مثال، یک ساختمان دیجیتالی شده در OSM) یا داده های مکان ثانویه مشخص می شوند.(به عنوان مثال، یک توییت دارای برچسب جغرافیایی که اطلاعات مختصات آن با مکان ذکر شده در پیام کوتاه مطابقت ندارد). در حالت اول، مختصات جغرافیایی برای مکان یابی تا حد امکان دقیق یک شی استفاده می شود. در حالت دوم، اطلاعات مختصات به طور خودکار به محتوای ارسال شده اضافه می شود. به طور کلی به این دلیل که عملکرد موقعیت جغرافیایی در دستگاهی که از آن ارسال شده است فعال می شود. اما در هر دو مورد، بعد مکانی داده‌های مکانی فقط با ابرداده‌های جغرافیایی مرتبط است. یعنی مختصات lat/long.

همانطور که گفته شد، فضا را می توان به عنوان یک سازه اجتماعی نیز در نظر گرفت . به عقیده لوی و لوسو [ 65 ]، هر شی فضایی مبتنی بر یک رابطه گفتگوی بین حوزه مادی و حوزه ایده‌آلی است ( یعنی زبان، افکار، گفتارها و غیره ). علیرغم ناملموس بودن آن، حوزه ایده‌آلی و همچنین حوزه مادی باید مورد توجه قرار گیرد. در نتیجه، فضا دیگر نه به عنوان ظرفی ساده، بلکه به عنوان محتوای واقعی رابطه اجتماعی تلقی می شود. به عبارت دیگر، بدون بعد اجتماعی نمی تواند وجود داشته باشد و بالعکس . بر اساس این برداشت سازه انگارانه از فضا، لوسو [ 66] فضایی را به عنوان کلیه اعمال فضایی که توسط اپراتورهای جوامع (فرد، گروه افراد، سازمان و غیره ) انجام می شود، تعریف می کند. هدف درک نحوه تعامل هر یک از ما با فضا است. و نه در فضا

درست مانند الوود و همکاران. [ 64 ]، ما از این ایده حمایت می کنیم که داده های سطحی به ما امکان دسترسی به دانش جغرافیایی بومی و در نتیجه فضایی شهروندان را می دهند. در واقع، بخش بزرگی از مجموعه داده‌های پلاتیال VGI از SLS می‌آید که نوعی ارتباط اصلی بر اساس ارزش‌ها و معنی مکان‌ها است. به عنوان مثال ، یک ابزار ارتباطی سطحی . در واقع، چندین مطالعه نشان داد که کاربران LBSN ها چک-in ها را به روشی استراتژیک منتشر می کنند تا بتوانند بازنمایی خود را مدیریت کنند (به [ 10 ، 67 ، 68 ، 69 ، 70 ] مراجعه کنید). قبل از راه اندازی LBSN ها، Barkhuus و همکاران.قبلاً نشان داده بود که کاربران سرویس‌های مبتنی بر مکان به لطف مکان‌هایی که در پست‌های خود ذکر می‌کنند، تصویر اجتماعی خود را تقویت می‌کنند [ 67 ]. در واقع، از آنجایی که همه می‌توانند از موقعیت‌های یکدیگر آگاه باشند، کاربران تمایل دارند اطلاعات عمومی را به اشتراک بگذارند تا موقعیت اجتماعی خود را افزایش دهند. این روند در بررسی های Lindqvist و همکاران نیز قابل مشاهده است. به خصوص در پاسخ به سوال “ چرا چک این را منتشر نمی کنید؟ ” [ 70]. از آنجایی که داده‌های SLS اساساً سطحی هستند، استخراج معنای مکان‌ها و همچنین شیوه‌های پلاتیالی روزانه مردم در مناطق شهری از آنها قابل تصور است. این دلیل اصلی است که ما معتقدیم آنها باید به عنوان یک مؤلفه اساسی در اندازه گیری برجستگی معنایی شاخص در نظر گرفته شوند.

4.1.2. داده‌های اشتراک‌گذاری موقعیت مکانی اجتماعی نماینده روزمرگی شهرها هستند

در حالی که برخی از محققان انتشار اعلامیه های جعلی را گزارش کرده اند (به عنوان مثال، [ 71 ])، بیشتر تحقیقات انجام شده به طور خاص در Foursquare نشان می دهد که بررسی ها نشان دهنده فعالیت های روزانه کاربران در مناطق شهری است. به همین دلیل است که بررسی‌ها اکنون به عنوان یک منبع اطلاعاتی قابل اعتماد برای مشاهده و تجزیه و تحلیل پویایی‌های شهری در نظر گرفته می‌شوند [ 11 ]. بنابراین، برای مثال، Noulas et al. در طی 100 روز، تقریباً 12 میلیون بررسی Foursquare از 679000 کاربر توییتر جمع آوری شد [ 72]. آنها قادر به تعیین الگوهای مکانی-زمانی بودند. با توجه به توزیع زمانی ورود، سه نقطه اوج فعالیت در طول هفته شناسایی شد: (1) صبح، زمانی که مردم به محل کار خود می روند. (2) در وقت ناهار که آنها ناهار خود را بیرون می آورند. و در نهایت (3) بین ساعت 6 عصر تا 8 بعد از ظهر، زمانی که آنها در حال ترک محل کار خود هستند. توزیع در آخر هفته کاملاً متفاوت بود. آنها به جای آن سه اوج فعالیت، منحنی را مشاهده کردند که تغییرات ثابتی را در طول روز توصیف می کند و این به تدریج از ساعت 10 شب کاهش می یابد. برای Noulas و همکاران. داده های چهار ضلعی (اکنون Swarm) نماینده حرکات روزانه کاربران است [ 72]. علاوه بر این، تحقیقات کلی نشان داد که بین شاخص اجتماعی-اقتصادی یک منطقه معین (خوشه های اجتماعی-اقتصادی با تجزیه و تحلیل خودهمبستگی فضایی شناسایی شدند) و محتوای بررسی های مربوط به چهار ضلعی [ 73 ]، همبستگی وجود دارد. به همین دلیل است که او استدلال می کند که مسیرهای کاربران LBSN منعکس کننده حافظه جمعی ساکنان است. باوا-کاویا توزیع چک-این در لندن، نیویورک و پاریس را تجزیه و تحلیل و مقایسه کرد [ 74 ]. او نتیجه گرفت که داده های چهار ضلعی را می توان برای آشکارسازی پدیده های اجتماعی- فضایی مانند پراکندگی و تفکیک استفاده کرد . در نهایت، در چارچوب « زندگیپروژه، 18 میلیون بررسی از API توییتر به منظور شناسایی مناطقی که “ماهیت پویای الگوهای فعالیت در زندگی ساکنان شهرها” را منعکس می کنند، جمع آوری شد [ 75 ] (ص. 58). نمونه چند شهر ایالات متحده و دو شهر کانادا ونکوور و مونترال را پوشش می دهد. کرنشاو و یانو الگوریتمی را توسعه دادند که به طور خودکار ساختارهای همسایگی را بر اساس فعالیت کاربران شناسایی می کند [ 76 ]. این الگوریتم فاصله جغرافیایی بین مکان‌ها و همچنین شکلی از ” فاصله اجتماعی ” را در نظر می‌گیرد. به عنوان مثال، اگر کاربران اعلام حضور در یک رستوران مشخص را منتشر کنند و سپس اعلام حضورهای دیگر را از یک نوار نسبتا نزدیک ارسال کنند، الگوریتم این دو مکان را در یک ساختار محله گروه بندی می کند. کرنشاوو همکاران متعاقباً با 27 نفر از ساکنان پیتسبورگ مصاحبه کرد و دریافت که ساختار آنها با نقشه ذهنی مصاحبه شوندگان مطابقت دارد [ 75 ]. این خوشه ها باید متعاقباً تجزیه و تحلیل و بین شهرها مقایسه شوند. در واقع، کارهای مقدماتی در این راستا قبلاً منتشر شده است (نگاه کنید به [ 77 ]).

4.1.3. پایگاه‌های داده مکان ایجاد شده توسط کاربر برای اندازه‌گیری برجستگی معنایی شاخص مناسب هستند

پایگاه‌های داده مکان تولید شده توسط کاربر (UGPD) پایگاه‌های اطلاعاتی مکانی هستند که منحصراً بر اساس مکان‌ها هستند و به طور منظم توسط کاربران اینترنت به‌روزرسانی می‌شوند. در واقع، پایگاه داده های مکان چهار ضلعی، فیس بوک و گوگل محبوب ترین UGPD ها هستند. در زیر، ما چهار آرگومان را فهرست می کنیم که به ما امکان می دهد بیان کنیم که UGPD ها برای طراحی ALDS به خوبی مناسب هستند:

اول از همه، کاربران شبکه‌های اجتماعی آنلاین با افزودن (یا عدم) مکان‌ها، نوعی «فیلتر معنایی» را اعمال می‌کنند. در واقع، وجود یک مکان در داخل یک UGPD به وضوح نشان دهنده علایق کاربران است. به عبارت دیگر، حضور در مقابل عدم وجود یک مکان معین، یک شاخص معنایی جهانی را تشکیل می‌دهد که می‌تواند با شاخص‌های محلی اضافی ، مانند تعداد ورود، نظرات یا نکات منتشر شده از آن مکان ترکیب شود.
ثانیاً، برخلاف داده‌های موقعیت مکانی، اعلام حضور همیشه با مکانی مرتبط است که مختصات جغرافیایی آن در یک پایگاه داده ذخیره می‌شود. این اصل یکنواختی موقعیت را تضمین می کند. به عنوان مثال، به استثنای توییت‌های دارای برچسب جغرافیایی ارسال شده از Foursquare، دو توییت منتشر شده از یک مکان ممکن است مختصات جغرافیایی متفاوتی داشته باشند، بسته به دقت دستگاه تلفن همراهی که از آن پست شده‌اند.
ثالثاً، داده‌های SLS به ما امکان می‌دهد هر مکان را بر اساس فعالیت‌های ورود به جلسه در طول روز و شب (به ویژه برای ورود به Swarm) دسته‌بندی کنیم. بنابراین، این داده ها همچنین می توانند برای بهبود تشخیص نشانه های معنایی برای دوره شبانه استفاده شوند.
در نهایت، شبکه های اجتماعی آنلاین مزیت ارائه طیف گسترده ای از دسته بندی مکان ها را ارائه می دهند. برخلاف رویکردهای سنتی که بر انتخاب ساختمان‌ها به‌عنوان نامزدهای شاخص متمرکز است، یک پلتفرم مانند Foursquare به چندین نوع اشیاء، از جمله موارد طبیعی (به عنوان مثال، باغ یا حتی کوه‌ها) دسترسی می‌دهد که می‌توانند به‌عنوان نشانه‌ها نیز عمل کنند. با این حال، ما باید اذعان کنیم که بخش بزرگی از UGPD ها اساساً از ساختمان ها تشکیل شده اند.

همانطور که گفته شد، برخی از اشکالات باقی می ماند. بنابراین، UGPD ها ممکن است مکان های ساختگی را در نظر بگیرند که عملاً نمی توانند به عنوان کاندیدای شاخص عمل کنند (به عنوان مثال، [ 61 ]). با این وجود، ما می خواهیم تأثیر این نقص را تعدیل کنیم زیرا پارامترهای اضافی را می توان در نظر گرفت (به عنوان مثال، تعداد کاربران مشخصی که اعلام حضور کرده اند). دور زدن دومین نقطه ضعف شناسایی شده سخت تر است. به طور خاص، با یک مشکل از مجموعه مقیاس ها سروکار دارد . اگر مثال یک مرکز خرید را در نظر بگیریم: ساختمان شامل چندین مغازه است و کاربران ممکن است به جای مرکز خرید، چک‌این‌های خود را از این مکان‌ها ارسال کنند. با این حال، در زمینه تشخیص نقطه عطف، شی جهانی (به عنوان مثال ، مرکز خرید) باید به جای اشیاء محلی (به عنوان مثال ، مغازه های واقع در داخل) برای ناوبری مبتنی بر نقطه عطف در نظر گرفته شود زیرا آنها از بیرون نامرئی هستند. در نهایت، آخرین ناراحتی شناسایی شده مربوط به دقت موقعیت مکان ها است. در واقع، در مورد Swarm و Facebook، دقت موقعیت توسط پلتفرم تأیید نمی شود. بستگی به کاربری دارد که محل برگزاری را در پایگاه داده اضافه کرده است. بنابراین، خطاهای موقعیت یابی را نمی توان مستثنی کرد. در این صورت، در مورد Swarm، « ابرکاربران » قرار است اطلاعات مکان مکان ها را بررسی کنند و در صورت لزوم هر گونه خطا را اصلاح کنند.

4.1.4. ردپای روزانه به جا مانده توسط کاربران رسانه های اجتماعی می تواند برای بهبود تشخیص نقطه عطف مبتنی بر زمینه ناوبری استفاده شود

همانطور که به وضوح توسط Winter و همکاران توضیح داده شده است. [ 42 ]، انتخاب نقاط عطف افراد تا حد زیادی تحت تأثیر زمینه ناوبری است. برای مثال، گردشگران تمایل دارند به مکان‌های دیدنی جهانی (به عنوان مثال ، اشیایی که به شدت از یکدیگر قابل مشاهده هستند) و مکان‌های دیدنی محبوب تکیه کنند ، در حالی که مردم محلی ممکن است بر نشانه‌های محلی تمرکز کنند، که در بیشتر موارد لزوماً از همه شناخته شده نیستند. در حالت ایده آل، دستورالعمل های مسیر ALDS باید با توجه به دانش فضایی هر مسافر ارائه شود. اما در حال حاضر، طراحی چنین سیستم‌هایی غیرقابل تصور باقی می‌ماند، مگر اینکه کاربران آگاهانه دانش فضایی (فضایی) خود را به اشتراک بگذارند (مثلاً از طریق سابقه ورود Swarm یا Google Plus). تنها جایگزین شامل ارائه استاندارد استدستورالعمل های مبتنی بر مکان های دیدنی که به طور همزمان به گردشگران و مردم محلی کمک می کند. بنابراین، در مورد نامزدهای نشانه معنایی، ما معتقدیم که نشانه های معنایی جهانی باید به جای نشانه های معنایی محلی استفاده شوند . به این ترتیب، نشانه‌های معنایی جهانی را می‌توان از طریق رسانه‌های اجتماعی، مانند Swarm و Facebook با استفاده از (1) سطح طبقه بالای مکان‌ها شناسایی کرد (به عنوان مثال، دسته ” بنای یادبود / نقطه عطف ” Swarm یا دسته ” Landmark ” فیس بوک ). و (2) فعالیت ثبت نام (به عنوان مثال، هرچه مکان بررسی بیشتر باشد، بیشتر به عنوان یک نامزد برجسته در نظر گرفته می شود). در نهایت، پلتفرم‌های وب اجتماعی مانند Swarm می‌توانند بازه‌های زمانی محبوب مکان‌ها را با توجه به فعالیت ورود کاربران محاسبه کنند ( به «ساعات مکان‌ها» از Foursquare API مراجعه کنید. ما معتقدیم که باید از این فرصت برای بهبود تشخیص نقاط دیدنی مبتنی بر زمان در شب استفاده شود. این یک پارامتر تعیین‌کننده است زیرا انتخاب مکان‌های دیدنی افراد نیز به شرایط ناوبری (به عنوان مثال ، روز در مقابل شب) بستگی دارد [ 42 ].

4.2. چگونه می توان برجستگی معنایی شاخص را از طریق جریان های داده SLS اندازه گیری کرد؟

در این آخرین بخش فرعی، ما سه شاخص را پیشنهاد می‌کنیم که می‌توانند برای اندازه‌گیری برجستگی معنایی نشانه‌ها محاسبه شوند. این امتیازات با آمار منتشر شده توسط APIهای فیسبوک و Foursquare مرتبط است. ما Google Plus API را درج نمی کنیم زیرا هیچ اطلاعاتی در مورد اعلام حضور ارائه نمی دهد. شاخص‌های ذکر شده در زیر باید برای مکان‌های واقع در نقاط انتخابی و بخش‌های مسیر استفاده شوند، زیرا ارجاع به نشانه‌ها در دستورالعمل‌های مسیر از آن مناطق بیشتر است [ 28 ].

4.2.1. منحصر به فرد بودن مکان ها

مفهوم منحصربه‌فرد بودن در زمینه تشخیص نشانه‌ها به طور ذاتی با برجستگی‌های معنایی و بصری مرتبط است [ 50 ]. بنابراین، هدف اصلی یافتن مکانی است که عملکرد آن در مقایسه با مکان‌های اطراف بیشتر از همه برجسته است. در واقع، ما از این ایده حمایت می کنیم که برای مثال، کلیسایی واقع در خیابانی که توسط مغازه ها احاطه شده است، لزوما توجه بیشتری را به مسافران جلب می کند. ما پیشنهاد می کنیم منحصر به فرد بودن یک مکان معین P را با محاسبه امتیاز منحصر به فرد UNQ اندازه گیری کنیم . با توجه به نقطه انتخاب CP ، UNQ مربوط به نسبت بین تعداد کل مکان های متعلق به P است.دسته بندی و تعداد کل مکان های واقع در CP . هر دسته بندی ترکیبی:

\forall n, m > 1 : U ن Q (p) = \sum n i = 1 پ من \in سی \sum متر j = 1 پ j

(1)

که در آن، UNQ = امتیاز منحصر به فرد، p = مکان، C = دسته مکان.

در نتیجه، هر چه امتیاز منحصر به فرد بالاتر باشد، دسته مورد نظر کمتر از مکان های اطراف متمایز می شود. برای مقایسه UNQ با امتیاز بعدی، نرمال سازی داده ها از 0 تا 1 مورد نیاز است. یک نرمال سازی معکوس باید در مورد UNQ انجام شود:

U ن س (پ من) 0 t o 1 = 1 - (U ن س ( پ من ) - U ن س m i n U ن س m a x - U ن س m i n)

(2)

جایی که، $U N Q_{m i n}$ = حداقل امتیاز در بین تمام امتیازات منحصر به فرد، $U N Q_{m a x}$ = حداکثر امتیاز در بین تمام نمرات منحصر به فرد.

4.2.2. فعالیت های جغرافیایی اجتماعی مکان ها

امتیاز زیر فعالیت جغرافیایی اجتماعی کاربران ایجاد شده برای هر مکان را منعکس می کند ( به معادله (3) مراجعه کنید). این نشانگر اصلی برای اندازه گیری برجستگی معنایی شاخص است. در مورد Swarm، محاسبه امتیاز فعالیت جغرافیایی اجتماعی سه شاخص خاص را در نظر می‌گیرد: تعداد کاربران متمایز که یک یا چند اعلام حضور از یک مکان را منتشر کرده‌اند، و تعداد نکات و « لایک‌ها ».” به آنها مرتبط است. تعداد کاربران متمایز کاملاً مرتبط است زیرا برخی از مکان‌ها ممکن است تعداد بالایی از بررسی‌ها را که تنها توسط تعداد کمی از کاربران ایجاد می‌شوند، تشکیل دهند. به همین دلیل است که تصمیم گرفته‌ایم تعداد کل ورودهای Swarm مرتبط با یک مکان را حذف کنیم. در نهایت، تعداد «لایک‌ها» و نکات نیز باید در نظر گرفته شود، زیرا کاربران Swarm نیز می‌توانند مکان‌هایی را که می‌روند نظر بدهند.

\forall m \geq 1 : G S آ (ص) اس w r = U اس R (p) + L K (ص) + T پ (ص)

(3)

که در آن، GSA = امتیاز فعالیت جغرافیایی اجتماعی، p = مکان، Swr = ازدحام، TP = نکات، LK = پسندیدن، USR = کاربرانی که یک یا چند اعلام حضور از p منتشر کرده‌اند .

امتیاز فعالیت جغرافیایی اجتماعی بر اساس داده های فیس بوک از Swarm GSA کمتر است زیرا Graph API تعداد مشخصی از کاربران را ارائه نمی دهد. بنابراین، ما پیشنهاد می‌کنیم که آن را با محاسبه مجموع حسابی ورودها، «لایک‌ها» و «گفت‌وگو کردن» اندازه‌گیری کنیم ( یعنی شمارش تعداد افرادی که در مورد مکان در فیس‌بوک صحبت می‌کنند).

جی اس آ (ص) f ب = سی ک (p) + L K (ص) + T الف (ص)

(4)

که در آن، fb = فیس بوک، CK = اعلام حضور ، LK = لایک، TA = صحبت کردن در مورد تعداد.

درست مانند امتیاز منحصر به فرد، عادی سازی داده ها در محدوده [0;1] باید برای امتیاز فعالیت جغرافیایی اجتماعی اعمال شود. به منظور شناسایی نشانه‌های معنایی جهانی هم برای افراد بازدیدکننده و هم برای افراد محلی ( ر.ک. بخش 4.1.4 )، یک عادی سازی کلاسیک باید برای Swarm و Facebook GSA انجام شود:

جی اس آ (پ من) 0 t o 1 = جی اس الف ( پ من ) - جی اس آ m i n جی اس آ m a x - جی اس آ m i n

(5)

جایی که، $G S A_{m i n}$ = حداقل امتیاز در بین تمام نمرات فعالیت های جغرافیایی، $G S A_{m a x}$ = حداکثر امتیاز در بین تمام نمرات فعالیت های جغرافیایی.

4.2.3. برجستگی معنایی شاخص

ما پیشنهاد می کنیم امتیاز برجسته معنایی یک مکان را با جمع کردن امتیازهای منحصر به فرد و فعالیت جغرافیایی آن، که هر دو نرمال شده اند، اندازه گیری کنیم:

ال اس اس (p) = U ن س (ص) n o r m + جی اس آ (ص) n o r m

(6)

اندازه گیری LSS به راحتی از طریق فیس بوک و API های Foursquare انجام می شود. در واقع، جمع‌آوری تمام داده‌های مورد نیاز به منظور محاسبه امتیازات کمی که در بالا ذکر شد، با ورود به پلتفرم مکان‌های Foursquare امکان‌پذیر است (به [ 78 ] مراجعه کنید تا یک نمای کلی از ساختار بررسی‌هایی که مستقیماً از طریق API جمع‌آوری می‌شوند را ببینید). . در مورد فیس بوک، درخواست ها به سادگی از طریق Facebook Graph API v.2.1 انجام می شود.

5. تشخیص نشانه معنایی مبتنی بر داده های جغرافیایی

بخش آخر این مقاله به تشخیص نشانه های معنایی با استفاده از داده های واقعی رسانه های اجتماعی اختصاص دارد. ما این بخش نمونه‌سازی را در مقیاس جهانی با نشانه‌های مشهور جهان آغاز می‌کنیم و با شناسایی نشانه‌های معنایی واقع در شهر وین به پایان می‌رسانیم . نشانه‌های معنایی جهانی پاریس نیز در بخش دوم مورد بررسی قرار گرفته‌اند. برای اطلاعات، تمام مجموعه‌های داده در 29 سپتامبر 2014 (برای بخش 5.1 و بخش 5.3 ) و در 15 نوامبر 2014 (برای بخش 5.2 ) با استفاده از Foursquare API v2 و Facebook API v2.1 جمع‌آوری شدند.

5.1. نشانه های معنایی معروف جهان

به عنوان آغاز، ما از کشورهای مختلف در سراسر جهان ده مکان دیدنی شناخته شده را انتخاب کرده ایم ( به جدول 2 مراجعه کنید ). هدف در اینجا دو مورد است: (1) اول از همه، ما وجود یا عدم وجود هر نقطه عطف انتخاب شده را مشاهده می کنیم تا قابلیت اطمینان جهانی پایگاه های داده فیس بوک و Foursquare را ارزیابی کنیم. سپس، (2) بررسی می‌کنیم که آیا مقوله « لندمارک » (« بنای تاریخی / نقطه عطف » در مورد Foursquare) در زمینه تشخیص نشانه‌ها مرتبط است یا خیر.

همانطور که در جدول 2 مشاهده می کنیم ، تمام نشانه های فهرست شده در پایگاه داده های فیس بوک و Foursquare وجود دارند. به طور خاص، به نظر می رسد که دسته بندی های فیس بوک نسبت به آنهایی که در Foursquare وجود دارد، همگن تر هستند. در واقع، هشت مورد از 10 مکان دیدنی منتخب به دسته فیس بوک ” لندمارک ” تعلق دارند، در حالی که تنها چهار مکان در این لیست به عنوان ” بنای یادبود / نقطه عطف ” در نظر گرفته می شوند . این را می توان نه به دلیل انواع نشانه ها (هر دو چهار ضلعی و هم فیس بوک تعداد قابل توجهی از دسته های مکان را پیشنهاد می کنند)، بلکه به دلیل سلسله مراتب دسته بندی متمایز آنها توضیح داده می شود. بنابراین، چهار ضلعی ” بنای یادبود / لندمارک ” متعلق به ” ساختمان های دولتی ” است فوق‌رده در حالی که دسته‌ی «نقطه عطف» فیس‌بوک خود یک دسته سطح بالا را تشکیل می‌دهد. می‌توانیم فرض کنیم که کاربران Swarm زمانی که مکان‌های فهرست‌شده را اضافه می‌کنند، به دنبال ماهیت دقیق آن می‌گردند (مثلاً “کوه”) در حالی که کاربران فیس‌بوک می‌توانند مستقیماً آنها را به عنوان یک نقطه عطف مرتبط کنند. به عنوان یک نتیجه‌گیری کوتاه، ما فرض می‌کنیم که نشانه‌های جهانی – به عنوان مثال ، نقطه عطفی که برای جهت‌گیری جهانی استفاده می‌شود [ 30 ] – عمدتاً در دسته‌ی «لندمارک» فیس‌بوک قرار می‌گیرند. علاوه بر این، امتیاز فعالیت جغرافیایی اجتماعی (GSA) هر مکان را به عنوان اطلاعات تکمیلی درج کرده ایم. فیس بوک و Swarm GSA را نمی توان مقایسه کرد زیرا بر اساس شاخص های متفاوتی هستند ( به بخش 4.2.2 مراجعه کنید.). همانطور که گفته شد، می‌توانیم ببینیم که برج ایفل بی‌تردید نقطه عطف معنایی جهان است. این منطقی است زیرا فرانسه پربازدیدترین کشور جهان است. در پایان، می‌توانیم ببینیم که ارتباطی بین فعالیت‌های جغرافیایی اجتماعی کاربران و محبوبیت مکان‌ها وجود دارد (به عنوان مثال، نزدیک به 4 میلیون لایک، صحبت کردن در مورد برج ایفل و بررسی‌های مربوط به برج ایفل در فیس‌بوک).

جدول 2. اطلاعات نقاط عطف محبوب کلمه بر اساس Facebook و Swarm.

5.2. نشانه های جهانی معنایی در سراسر شهر پاریس

با توجه به آنچه قبلاً مشاهده کردیم، می توانیم فرض کنیم که هر چه یک مکان محبوب تر باشد، فعالیت های جغرافیایی اجتماعی بیشتری از آن ایجاد می شود. به منظور تأیید این فرضیه، ما پنج مکان محبوب واقع در سراسر شهر پاریس را انتخاب کردیم. این مکان‌ها معمولاً توسط گردشگران برای جهت‌گیری جهانی (به عنوان مثال ، نشانه‌های جهانی) در طول بازدیدشان استفاده می‌شود: (1) برج ایفل . ( 2) طاق پیروزی ؛ ( 3 ) میدان کنکورد . (4) موزه لوور ؛ و سرانجام (5)، Bibliothèque François Mitterrand ( ر.ک. شکل 4). ). برای هر مکان ذکر شده در بالا، ما 5 مکان برتر واقع در 500 متری را از پایگاه داده Foursquare استخراج کردیم. ناحیه دایره ای به منظور ایجاد فهرستی از نشانه های معنایی جهانی پاریس. مراکز دایره ای با هر یک از اطلاعات lat/long علامت برجسته مطابقت دارد.

بدون هیچ تعجبی، برج ایفل با GSA 111217 محبوب ترین نقطه عطف معنایی در این لیست است. در منطقه مرتبط با آن، فضاهای سبز Parc du Champs de Mars و Jardins du Trocadéro به ترتیب در جایگاه دوم و پنجم قرار دارند. در واقع، پارک دو شانزه مارس یکی از بزرگترین پارک های پاریس با مساحت 25 هکتار است. رستوران 58 تور ایفل که درست بعد از این پارک فهرست شده است، در داخل برج ایفل قرار دارد. ارائه دستورالعمل های راهیابی بر اساس این مکان چندان منطقی نیست زیرا از بیرون نامرئی است. این یک تصویر صریح از مجموعه ترازوها است ( ر . بخش 4.1.3 ). در پایان، موزه Quai Branly با GSA 5684 در رتبه چهارم قرار گرفت. این مکان یکی از شناخته شده ترین موزه های پاریس با موزه لوور است.

موزه لوور با امتیاز GSA 83136 در جایگاه دوم قرار دارد. همانطور که می بینیم، هرم محبوب آن نیز در فهرست (رتبه سوم) قرار دارد. Carrousel du Louvre که مستقیماً بعد از لوور (GSA: 18,489) می‌آید، مکانی پویا است زیرا میزبان رستوران‌ها، مغازه‌ها و سالن نمایشگاهی هنری در آن واحد است. به هر حال، فروشگاه اپل واقع در داخل این مکان در رتبه چهارم قرار دارد. بار دیگر، ما با مسئله مجموعه مقیاس ها روبرو هستیم . در نهایت، آخرین موقعیت متعلق به Pont des Arts است، که پلی است که از سال 1975 به عنوان ” بنای تاریخی ” ثبت شده است.

امتیاز طاق نصرت پس از موزه لوور با GSA 43865 قرار دارد. جالب است بدانید که مکان های دوم و سوم لیست شده در اینجا فروشگاه ها هستند. از یک طرف فروشگاه لویی ویتون (کالاهای چرمی لوکس) و از طرف دیگر فروشگاه Publicis Drugstore وجود دارد . یک مرکز خرید معروف پاریسی که ویژگی اصلی آن معماری است. درست مانند Charles De Gaulle Place (قبلا Place de l’étoile )، کافه جورج پنجم امتیاز قابل توجهی از GSA 4457 را به دست آورده است.

شکل 4. نشانه های معنایی جهانی پاریس بر اساس فعالیت کاربران Swarm رتبه بندی شده اند.

الگوی مرتبط با منطقه میدان کنکورد بسیار جالب است . در واقع، می‌توانیم ببینیم که میدان کنکورد در جایگاه دوم پس از فضای سبز Les Jardins des Tuileries قرار دارد. این دو مکان به وضوح از نظر فعالیت جغرافیایی اجتماعی از سه مکان دیگر متمایز هستند (23070 GSA برای Jardins des Tuileries و 18235 GSA برای Place de la Concorde ). در واقع، محلی که در رتبه سوم قرار دارد، یک میخانه معروف پاریسی به نام بودا بار با GSA “فقط” 5428 است. مجلس ملی و موزه هنرهای معاصر Jeu de Paumeبه ترتیب در جایگاه چهارم و پنجم قرار دارند.

در نهایت، مثال پنجم نشان می‌دهد که گنجاندن یک مؤلفه اجتماعی در اندازه‌گیری برجستگی معنایی شاخص با استفاده از مجموعه داده‌های SLS مرتبط است: به جای قرار گرفتن در وهله اول فرضی، Bibliothèque François Mitterrand (BNF) در جایگاه دوم قرار دارد، تا حد زیادی پشت سینما. MK2 Bibliothèque (3772 GSA برای BNF در مقابل تقریباً دو برابر با 7006 GSA برای MK2 ). این نشان می دهد که یک مکان از نظر فرهنگی مهم ( به عنوان مثال ، BNF) لزوما از نظر اجتماعی معنادار نیست. به عنوان مثال ، روزانه توسط شهروندان تمرین یا به رسمیت شناخته می شود. به هر حال، ما می توانیم ببینیم که نمره GSA ازمیخانه Frog & British Library نزدیک به میخانه BNF (2627) است. در واقع، MK2 مرتبط‌ترین نقطه عطف معنایی است، زیرا همچنان سینمای منحصربه‌فرد واقع در منطقه BNF است، که منطقه‌ای است که با تعداد زیادی دفاتر مشخص می‌شود. به همین دلیل است که Groupe Accor (یک اپراتور خوابگاه) و ایستگاه C مترو BNF RER نیز در لیست ظاهر می شوند.

5.3. شناسایی نقاط دیدنی در خیابان های وین (اتریش)

برای پایان دادن به این بخش نهایی، پنج سناریو را پیشنهاد می کنیم که در شهر وین اتفاق می افتد. به این ترتیب، ما می‌خواهیم نشان دهیم که امتیاز برجسته معنایی Landmark (LSS) پیشنهاد شده در بخش فرعی 4.2.3 برای استخراج نشانه‌های معنایی جهانی برای ناوبری قابل اعتماد است. هر سناریو با یک تقاطع سر و کار دارد – به عنوان مثال ، یک منطقه نقطه انتخاب [ 29 ] – که در آن مسافران می توانند بنا به برنامه سفر انتخابی، نقاط دیدنی مختلفی را انتخاب کنند. اولین سناریو در تقاطع خیابان‌های فیلارمونیکر استراسه و خیابان کرنتنر ، نزدیک اپرای وین اتفاق می‌افتد. همانطور که در شکل 5 نشان داده شده استبا توجه به سه برنامه سفر پیشنهادی ( یعنی A-C) می توانیم چهار نامزد برجسته بالقوه را شناسایی کنیم : (1) اپرای وین ، (2) قهوه استارباکس و (3) کافه ساچر ، یک وینی معروف و معتبر. کافه، و (4)، یک فروشگاه لباس به نام Popp & Kretschmer . با توجه به محبوبیت آنها، اپرای وین و دو کافی شاپ باید فعالیت های جغرافیایی اجتماعی زیادی ایجاد کنند. جدول 3 امتیازهای GSA و منحصربه‌فرد بودن هر دو نرمال شده و همچنین LSS ( یعنی مجموع حسابی GSA و امتیازهای نرمال منحصربه‌فرد) مرتبط با مکان‌های واقع در اولین تقاطع را خلاصه می‌کند.

شکل 5. تشخیص نشانه های معنایی در وین در تقاطع 1.

جدول 3. برجستگی معنایی شاخص برای مکان های واقع در تقاطع 1 اندازه گیری شده است.

همانطور که می بینیم، اپرا وین لزوما بالاترین GSA را در هر دو پلتفرم تولید نمی کند. به نظر می رسد کافه ساچر از اپرای Swarm محبوب تر باشد. با این حال، اپرای وین به دلیل منحصر به فرد بودن، بدون شک نقطه عطف معنایی برتر واقع در این تقاطع باقی می ماند. از آنجایی که Starbucks و Café Sacher هر دو کافه هستند، امتیاز منحصر به فرد بودن آنها به 0 کاهش می یابد. Popp & Kretschmer فروشگاه لباس منحصر به فرد است اما کمترین GSA را تولید می کند. به علاوه، این مکان در پایگاه داده مکان فیس بوک وجود ندارد. به همین دلیل است که در رتبه آخر قرار گرفته است. با توجه به برنامه سفر A، استارباکس و کافه ساچر بر خلاف اپرای وین و پاپ و کرچمر که در این زمینه برجستگی ساختاری ضعیفی دارند، نامزدهای بالقوه نقطه عطفی هستند .، موقعیت نامطلوب). طبق LSS مربوطه آنها، کافه ساچر به عنوان یک نامزد برجسته در نظر گرفته می شود. در همین راستا، اپرای وین و استارباکس به ترتیب نامزدهای شاخصی برای سفرهای B و C هستند.

تقاطع 2 در امتداد خیابان Kärntner Straße ، در نزدیکی ایستگاه مترو Stephansplatz قرار دارد. در این سناریوی دوم، چهار مکان می تواند به عنوان نقطه عطف استفاده شود: (1) فروشگاه سواروسکی . (2) پیتزا فروشی Venezia و (3،4)، فروشگاه های لباس Forever 21 و Esprit ( ر.ک. شکل 6 ). جای تعجب نیست که فروشگاه محبوب سواروسکی قابل اعتمادترین نشانه معنایی مرتبط با این تقاطع مطابق با محاسبه LSS ما است ( جدول 4 را ببینید.). این جواهرفروشی منحصر به فرد است که در آنجا قرار دارد و بالاترین GSA را در هر دو پلتفرم دارد. در واقع، این مکان می تواند به عنوان یک نامزد نقطه عطف برای هر دو برنامه سفر D و E استفاده شود. Venezia در موقعیت دوم ظاهر می شود: GSA عالی تولید نمی کند اما تنها پیتزا فروشی است که در تقاطع قرار دارد. بنابراین، امتیاز منحصر به فرد 1 را نیز دارد. Forever 21 و Esprit هر دو فروشگاه لباس هستند و در نتیجه امتیاز منحصر به فرد بودن آنها به 0 کاهش می یابد. LSS آنها بسیار پایین است زیرا امتیازات GSA ضعیفی را ایجاد می کنند. همانطور که گفته شد، در مورد برنامه سفر E، فروشگاه Forever 21 به دلیل موقعیت مطلوب (برجستگی ساختاری) می تواند مورد علاقه باشد.

شکل 6. تشخیص نشانه های معنایی در وین در تقاطع 2.

جدول 4. برجستگی معنایی شاخص برای مکان های واقع در تقاطع 2 اندازه گیری شده است.

جدول 5. برجستگی معنایی شاخص اندازه گیری شده برای مکان های واقع در تقاطع 3.

شکل 7. تشخیص نشانه های معنایی در وین در تقاطع 3.

سناریوی سوم در محل اتصال خیابان های Kärntner Straße و Singerstraße اتفاق می افتد . ما در اینجا سه نامزد برجسته بالقوه را تشخیص می دهیم: (1) کافه آیدا ; (2) انسانی ؛ و (3) Bucherer . در این مثال، محاسبه امتیاز یکتایی مرتبط نیست زیرا سه مکان ذکر شده در بالا به یک دسته تعلق ندارند. در واقع، یک قهوه خانه ( کافه آیدا )، یک فروشگاه لباس ( هومنیک ) و یک جواهرفروشی ( بوچرر ) وجود دارد.). طبق محاسبات LSS ما، کافه آیدا، یک کافی شاپ معروف وینی، مرتبط ترین نشانه معنایی واقع در این تقاطع است. این کافه روزانه مملو از مصرف کننده است. در واقع، می‌توانیم آن را به‌عنوان یک نامزد شاخص برای هر دو برنامه سفر F و G در نظر بگیریم، زیرا (1) Humanic و Bucherer GSA ضعیفی تولید می‌کنند و در پایگاه داده فیس‌بوک غایب هستند ( جدول 5 را ببینید ). و (2) این کافی شاپ به شدت قابل مشاهده است ( ر.ک. شکل 7 ).

تقاطع بعدی در محل اتصال خیابان های Graben و Spiegelgasse قرار دارد. این به سه نقطه عطف بالقوه مربوط می شود: (1) فروشگاه نسپرسو . (2) فروشگاه H&M . و (3) شیرینی فروشی Altmann & Kühne ( ر.ک. شکل 8 ). یک بار دیگر، محاسبه امتیاز یکتایی مناسب نیست زیرا ما سه نوع مختلف دسته بندی مکان را شناسایی کردیم.

شکل 8. تشخیص نشانه های معنایی در وین در تقاطع 4.

همانطور که در جدول 6 نشان داده شده است ، Nespresso و H&M را می توان به عنوان نامزدهای شاخص استفاده کرد. در واقع، Nespresso تنها بالاترین Swarm LSS را دریافت می کند در حالی که H&M بیشترین ارزش را برای Facebook LSS دارد. در واقع، این تبعیض نه معنایی است و نه ساختاری، بلکه بصری است. به نظر ما، نسپرسو باید کاندیدای نقطه عطفی برای برنامه سفر H باشد، زیرا برخلاف فروشگاه H&M، تابلوی آن از فاصله دور بسیار قابل مشاهده است ( به عکس در شکل 8 مراجعه کنید).

جدول 6. برجستگی معنایی شاخص برای مکان های واقع در تقاطع 4 اندازه گیری شده است.

آخرین سناریو، که در تقاطع خیابان های Graben و Braunerstraße اتفاق می افتد ، عنصر بسیار جالبی را نشان می دهد. در این مورد، چهار مکان نشانه‌های بالقوه معنایی هستند ( نگاه کنید به شکل 9 ): (1) فروشگاه لباس Palmers ; (2) Pestsäule (ستون طاعون)؛ (3) فروشگاه جواهرات Heldwein . و (4) فروشگاه استارباکس . با توجه به محاسبه LSS ما ( جدول 7 را ببینید)، Palmers و Heldwein به دلیل امتیازات GSA بسیار پایین آنها کنار گذاشته می شوند. Pestsäule در جایگاه دوم ظاهر می شود، بسیار عقب تر از فروشگاه Starbucks (0.01 در مقابل1 در مورد LSS فیس بوک). Pestsäule یک بنای تاریخی با اهمیت تاریخی و فرهنگی است. با این حال، این احتمال وجود دارد که گردشگرانی که برنامه سفر را دنبال می‌کنند، به راحتی با یک نقطه عطف معنایی، مانند استارباکس، راه خود را پیدا کنند. در واقع، آنها لزوماً نمی دانند که ستون طاعون چیست و چگونه است. درست مانند مثال BNF و MK2 از بخش 5.2، این سناریو نشان می دهد که مردم لزوماً بر اساس مکانی از نظر تاریخی و فرهنگی مهم نیستند. با بسط، مکانی که از اهمیت تاریخی یا فرهنگی زیادی بهره می‌برد، به طور سیستماتیک به این معنا نیست که یک نقطه عطف معنایی قابل اعتماد است. همانطور که گفته شد، در مورد برنامه سفر J، انتخاب Pestsäule به عنوان کاندیدای نقطه عطف مرتبط تر خواهد بود زیرا Starbucks از این جهت کاملاً نامرئی است (برجستگی بصری ضعیف).

شکل 9. تشخیص نشانه های معنایی در وین در تقاطع 5.

جدول 7. برجستگی معنایی شاخص برای مکان های واقع در تقاطع 5 اندازه گیری شده است.

5.4. بحث و چشم انداز

سه عنصر باید در این بخش فرعی آخر مورد بحث قرار گیرد. اولین مورد به محاسبه امتیاز منحصر به فرد (UNQ) وابسته است. در واقع، با در نظر گرفتن دسته‌های محل برگزاری در سطح پایین نامزدهای بالقوه نقطه عطف محاسبه شد. برای مثال، در مورد سناریوی اول، Swarm LSS فروشگاه پوشاک Popp & Kretschmer بالاتر از قهوه استارباکس است، به دلیل امتیازات منحصر به فرد آن ( جدول 3 را ببینید).). دو کافه و فروشگاه لباس در محاسبه UNQ متفاوت در نظر گرفته شدند. این رویکرد نشان می دهد که این دو دسته مکان به راحتی در یک زمینه ناوبری قابل تشخیص هستند. که لزوما اینطور نیست. در واقع، اپرای وین به نظر ما تنها ویژگی است که با عملکرد خود در منطقه تقاطع 1 برجسته می شود. سایر نامزدهای بالقوه نقطه عطف اساساً فروشگاه ها هستند. در نتیجه، به عنوان یک پیشرفت، ما معتقدیم که امتیاز منحصربه‌فرد پیشنهادی می‌تواند بسته به دسته‌های محل برگزاری در سطح بالا درجه‌بندی شود. به این ترتیب، اگر مکان‌های مقایسه شده با هم به یک دسته سطح بالا تعلق نداشته باشند (مثلاً فروشگاه‌ها در برابر بنای تاریخی مانند اپرای وین) و بالعکس ، درجه عدم تشابه بیشتر خواهد بود.. با بسط، ویژگی‌هایی که به همان دسته محل برگزاری در سطح زیرین تعلق ندارند (مثلاً جواهرفروشی در مقابل یک فروشگاه لباس) در یک دسته مکان فوق‌العاده یکسان (مثلاً فروشگاه‌ها) ممکن است متفاوت در نظر گرفته شوند، اما نه به صورت انحصاری مسیر. به عنوان مثال، پیتزا فروشی Venezia واقع در تقاطع 2 دارای بالاترین امتیاز منحصر به فرد ( یعنی 1) است زیرا تنها رستوران در منطقه باقی مانده است. از سوی دیگر، ما یک امتیاز منحصر به فرد درجه بندی شده را به سه مکان دیگر اختصاص می دهیم (به عنوان مثال، 0.5 برای فروشگاه جواهرات سواروسکی، و 0.25 برای هر دو فروشگاه لباس Forever 21 و Esprit). این سوال، که در این مقاله حل نشده است، موضوعات اصلی را برای تحقیقات بیشتر در زمینه تشخیص خودکار نشانه می دهد.

ثانیاً، ما دیدیم که مکان هایی که از نظر تاریخی و فرهنگی مهم شناخته می شوند، به طور سیستماتیک بیشترین فعالیت را در شبکه های اجتماعی آنلاین ایجاد نمی کنند. در واقع، همانطور که در بخش 5.2 مشخص شد ، امتیاز GSA سینمای MK2 از امتیاز BNF پاریس بالاتر است. ما مشاهدات مشابهی را برای بار بودا و مجلس ملی (5428 در مقابل 3409) و همچنین فروشگاه Louis Vuitton و میدان شارل دوگل (10297 در مقابل 5274) انجام دادیم. بنابراین، به نظر ما، محاسبه یک امتیاز برجسته معنایی منحصراً بر اساس اهمیت تاریخی و فرهنگیویژگی مرتبط نیست شامل بُعد اجتماعی مکان‌ها از طریق بهره‌برداری از مجموعه داده‌های SLS، بدون شک معیار برجستگی معنایی شاخص را افزایش می‌دهد. علاوه بر این، ما این سوال را مطرح می کنیم: با توجه به آخرین سناریو، آیا ستون طاعون نقطه عطف معنایی بهتری نسبت به قهوه استارباکس است ؟ در واقع، می‌توانیم فرض کنیم که نام تجاری استارباکس از ستون طاعون محبوب‌تر است، اما این سؤال چندان منطقی نیست زیرا انتخاب نشانه‌ها به طور دائم به مسیر بستگی دارد. همانطور که توضیح دادیم، انتخاب Starbucks به عنوان کاندیدای نقطه عطف فقط برای برنامه سفر I مناسب است. در واقع، یک عابر پیاده نمی تواند قهوه خانه را ببیند اگر از برنامه سفر J (J) پیروی کند.رجوع کنید به شکل 9 ).

این بیانیه ما را به عنصر سومی که می‌خواهیم در اینجا برجسته کنیم هدایت می‌کند: تشخیص نشانه‌ها نمی‌تواند منحصراً بر اساس برجستگی معنایی آنها انجام شود. بدیهی است که نامزدهای بالقوه نقطه عطف باید به اندازه کافی قابل مشاهده باشند تا بتوانند در زمینه ناوبری مفید باشند ( به کار وینتر در مورد دید پیشرو [ 41 ] مراجعه کنید). اکنون، با در نظر گرفتن دو مکان که از نظر بصری قابل مقایسه هستند ( به عنوان مثال ، با امتیاز برجستگی بصری معادل)، انتخاب نامزد نقطه عطف به برجستگی ساختاری مربوطه بستگی دارد. به خصوص موقعیت آنها نسبت به جاده. به طور خاص، مکان‌هایی که قرار است دور بعدی در آنجا انجام شود، توجه بیشتری را به مسافران جلب می‌کنند [ 52 ]]. در نتیجه، چقدر برجستگی معنایی برای انتخاب نشانه‌های افراد تعیین‌کننده است؟ در واقع، ما استدلال می کنیم که اهمیت برجستگی معنایی شاخص در مقایسه با برجستگی های بصری و ساختاری به دو عامل مرتبط بستگی دارد: (1) مشخصات مسافر. و (2) شدت خود برجستگی معنایی شاخص. در واقع، از یک سو، می‌توانیم فرض کنیم که یک گردشگر تمایل دارد به نشانه‌های بسیار بصری و ساختاری (مثلاً ساختمانی با معماری برجسته واقع در تقاطع جاده‌ای اصلی) تکیه کند، مگر اینکه مکانی را ببیند که برایش آشنا به نظر می‌رسد. به عنوان مثال ، یک نقطه عطف معنایی جهانی، مانند قهوه استارباکس. از سوی دیگر، فردی که در یک محیط آشنا سفر می کند، به راحتی راه خود را از طریق نشانه های معنایی جهانی و محلی پیدا می کند ( یعنی، مکان هایی که لزوماً معروف نیستند). بنابراین، مگر اینکه ما به دانش فضایی هر مسافر دسترسی داشته باشیم، فقط نشانه‌های معنایی جهانی باید در دستورالعمل‌های مسیر استاندارد اضافه شوند. این فرض نیاز به آزمایش تجربی دارد زیرا برجستگی معنایی نشانه‌ها یک پیشنهاد مبتنی بر نظریه است.

6. نتیجه گیری

طراحی سیستم های ناوبری مبتنی بر نقطه عطف بیش از هر زمان دیگری ارزش خبری دارد. بیش از یک دهه از تحقیقات در زمینه شناخت فضایی نشان داده است که گنجاندن نشانه‌ها در دستورالعمل‌های مسیر مسیریابی انسان را به‌ویژه برای عابران پیاده به‌طور قابل‌توجهی بهبود می‌بخشد. با این حال، هیچ یک از پلتفرم های اصلی مسیر، مانند نقشه های گوگل و یاهو مپ، این قابلیت را ارائه نمی دهند. تنها سرویسی که دستورالعمل‌های شفاهی مبتنی بر نشانه‌ها را ارائه می‌کرد Whereis [ 52 ] بود. الگوریتم پیاده‌سازی شده در این پلتفرم ، برجستگی نشانه‌ها را با تکیه بر دسته‌های سطح بالایی که ساختمان‌ها به آن‌ها تعلق دارند، به‌جای تمرکز بر ویژگی‌های فردی آنها (به عنوان مثال، ارتفاع، رنگ و غیره ) تخمین زد .). در واقع، دو اشکال اصلی با این رویکرد همراه است. از یک طرف، بر اساس بهره برداری از پایگاه داده نقاط مورد علاقه (POI) است در حالی که نشانه ها به POI محدود نمی شوند [ 79 ]. از سوی دیگر، به دلیل فقدان داده‌های مرتبط، برجستگی‌های بصری و ساختاری نشانه‌ها به طور سیستماتیک به بهای برجستگی معنایی دارای امتیاز بودند. به‌طور دقیق‌تر، در زمینه تشخیص خودکار نشانه‌ها، اهمیت تاریخی و فرهنگی یک ویژگی است که عموماً برای توصیف برجستگی معنایی نقطه عطف استفاده می‌شود. با این وجود، همانطور که در بخش آخر این مقاله قصد داشتیم نشان دهیم: (1) پایگاه‌های داده مکان‌های تولید شده توسط کاربر (به عنوان مثال، Swarm) گسترده‌تر از پایگاه‌های اطلاعاتی POI و آمارهای مرتبط با آن‌ها، مانند بررسی‌های Swarm هستند.و بحث فیس بوک در حال حاضر مناسب ترین داده های VGI برای تشخیص نشانه های معنایی جهانی هستند. (2) مکانی با اهمیت تاریخی و فرهنگی بالا لزوماً توسط مردم به خوبی تمرین و شناسایی نمی شود. بنابراین، به همین دلیل است که ما در پایان استدلال می کنیم که این شاخص باید توسط بعد اجتماعی مکان ها که در جریان داده های جغرافیایی اجتماعی محصور شده اند تکمیل شود.

منابع

کالابرس، اف. کولونا، ام. لوویسولو، پی. پاراتا، دی. Ratti, C. نظارت بر شهری در زمان واقعی با استفاده از تلفن های همراه: مطالعه موردی در رم. IEEE Trans. هوشمند ترانسپ سیستم 2011 ، 12 ، 141-151. [ Google Scholar ] [ CrossRef ]
کالابرس، اف. کلوکل، ک. Ratti, C. Wikicity: ابزارهای حساس به مکان در زمان واقعی برای شهر. هندب Res. اطلاعات شهری 2008 ، 390-413. [ Google Scholar ]
کالابرس، اف. پریرا، اف سی؛ دی لورنزو، جی. لیو، ال. راتی، سی. جغرافیای ذائقه: تحلیل تحرک تلفن همراه و رویدادهای اجتماعی. محاسبات فراگیر 2010 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
راتی، سی. سوتسوک، ا. هوانگ، اس. Pailer، R. مناظر موبایل: Graz در زمان واقعی. در خدمات مبتنی بر مکان و تله کارتوگرافی ; Springer: New York, NY, USA, 2007; ص 433-444. [ Google Scholar ]
راتی، سی. ویلیامز، اس. فرانسوی، دی. Pulselli، R. مناظر موبایل: استفاده از داده های مکان از تلفن های همراه برای تجزیه و تحلیل شهری. محیط زیست طرح. B 2006 , 33 , 727-748. [ Google Scholar ] [ CrossRef ]
ریدز، جی. کالابرس، اف. سوتسوک، ا. راتی، سی. سرشماری سلولی: کاوش در جمع آوری داده های شهری. محاسبات فراگیر IEEE 2007 ، 6 ، 30-38. [ Google Scholar ] [ CrossRef ]
Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. Geo J. 2007 , 69 , 211-221. [ Google Scholar ]
اکسنر، جی. همسلی، جی. آزمایشگاه نظارت شهری: مزایا و پتانسیل جدید برای برنامه ریزی شهری از طریق استفاده از سنجش شهری، ژئو و موبایل وب. در مجموعه مقالات Real CORP; مرکز صلاحیت برنامه ریزی شهری و منطقه ای: اسن، آلمان، 2011; صص 1087–1096. [ Google Scholar ]
کرامپتون، جی. گراهام، ام. پورتویس، ا. شلتون، تی. استفنز، ام. ویلسون، مگاوات؛ Zook، AM فراتر از برچسب جغرافیایی: قرار دادن “داده های بزرگ” و استفاده از پتانسیل geoweb. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 130-139. [ Google Scholar ]
تانگ، KP; لین، جی. هنگ، جی. Siewiorek، DP; Sadeh, N. بازاندیشی اشتراک‌گذاری مکان: بررسی مفاهیم اشتراک‌گذاری مکان مبتنی بر اجتماعی در مقابل هدف‌محور. در مجموعه مقالات UbiComp 2010، کپنهاگ، دانمارک، 26-29 سپتامبر 2010.
تاچر، جی. زندگی بر روی دود: ردپای دیجیتال، بخار داده ها، و محدودیت های داده های بزرگ فضایی. بین المللی J. Commun. 2014 ، 8 ، 1765-1783. [ Google Scholar ]
گیفینگر، آر. فرتنر، سی. کرامار، اچ. کالاسک، آر. پیچلر-میلانوویچ، ن. Meijers، E. شهرهای هوشمند: رتبه بندی شهرهای متوسط اروپا، مرکز علوم منطقه ای (SRF) ; دانشگاه صنعتی وین: وین، اتریش، 2007. [ Google Scholar ]
چورابی، ح. نام، تی. واکر، اس. گیل-گارسیا، جی آر. ملولی، س. ناهون، ک. پاردو، تی. Scholl, HJ درک شهرهای هوشمند: یک چارچوب یکپارچه. در مجموعه مقالات چهل و پنجمین کنفرانس بین المللی هاوایی در علوم سیستم، مائوئی، HI، ایالات متحده آمریکا، 4 تا 7 ژانویه 2012.
Batty, M. The New Science of Cities ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2013. [ Google Scholar ]
روشه، اس. علم اطلاعات جغرافیایی I: چرا یک شهر هوشمند باید از نظر فضایی فعال شود؟ برنامه هوم Geogr. 2013 . [ Google Scholar ] [ CrossRef ]
فار، AC؛ کلاینشمیت، تی. یارلاگادا، پ. منگرسن، K. Wayfinding: یک مفهوم ساده، یک فرآیند پیچیده. حمل و نقل. Rev. 2012 , 32 , 715-743. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لینچ، کی . تصویر شهر . مطبوعات MIT: کمبریج، بریتانیا، 1960. [ Google Scholar ]
Downs, RM; Stea، D. نقشه های شناختی و رفتار فضایی: فرآیند و محصول. در تصویر و محیط ; Stea, D., Downs, RM, Eds. Aldine Publishing: Chigao, IL, USA, 1973; صص 8-26. [ Google Scholar ]
نقشه های راهیابی و شناختی گولج، RG Human. در رفتار راه یابی: نقشه برداری شناختی و سایر فرآیندهای فضایی . گولج، آر جی، اد. انتشارات دانشگاه جان هاپکینز: بالتیمور، MD، ایالات متحده آمریکا، 1999; صص 5-45. [ Google Scholar ]
مونتلو، DR; Raubal, M. توابع و کاربردهای شناخت فضایی. در APA Handbook of Spatial Cognition ; Waller, D., Nadel, L., Eds. انجمن روانشناسی آمریکا: واشنگتن دی سی، ایالات متحده آمریکا، 2013; صص 555-591. [ Google Scholar ]
دیویس، سی. لی، سی. آلبرشت، جی. درک انسان از فضا. در تعامل با فناوری های جغرافیایی ; هاکلی، MM، اد. John Wiley & Sons Ltd.: Chichester، UK، 2010; صص 19-35. [ Google Scholar ]
کیچین، آر. Blades, M. The Cognition of Geographic Space ; Tauris: لندن، انگلستان، 2002. [ Google Scholar ]
سیگل، AW; White, SH توسعه بازنمایی های فضایی محیط های در مقیاس بزرگ. در پیشرفت در رشد و رفتار کودک ; ریس، WH، اد. انتشارات آکادمیک: نیویورک، نیویورک، ایالات متحده آمریکا، 1975. [ Google Scholar ]
ایشیکاوا، تی. ناکامورا، U. انتخاب نقطه عطف در محیط: روابط با ویژگی های شی و حس جهت. تف کردن شناخت. محاسبه کنید. 2012 ، 12 ، 1-22. [ Google Scholar ]
شرودر، سی جی; Mackaness، WA; Gittings، BM دادن مسیرهای “درست”: الزامات سیستم های ناوبری عابر پیاده. ترانس. GIS 2011 ، 15 ، 419-438. [ Google Scholar ] [ CrossRef ]
Montello, DR چارچوبی جدید برای درک اکتساب دانش فضایی در محیط های بزرگ مقیاس. در استدلال مکانی و زمانی در سیستم های اطلاعات جغرافیایی ; Egenhofer, MJ, Golledge, RG, Eds. انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 1998; صص 143-154. [ Google Scholar ]
دنیس، م. فرناندز، جی. پردازش نشانه‌ها در جهت‌های مسیر. در بازنمایی فضا در شناخت: روابط متقابل رفتار، زبان و مدل‌های رسمی ؛ تنبرینک، تی.، وینر، جی.، کلارامونت، سی.، ویرایش. انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2013; صص 42-55. [ Google Scholar ]
دنیس، م. Michon، PE; تام، الف. کمک به مسیریابی عابر پیاده در محیط‌های شهری: چرا ارجاع به نقاط دیدنی در جهت‌دهی بسیار مهم است. در شناخت فضایی کاربردی: از پژوهش تا فناوری شناختی . آلن، جی ال، اد. Lawrence Erlbaum: Mahwah, NJ, USA, 2007; صص 25-51. [ Google Scholar ]
دانیل، M.-P. دنیس، ام. توصیفات فضایی به عنوان کمک های ناوبری: تحلیل شناختی جهت های مسیر. Kognitionswissenschaft 1998 ، 7 ، 45-52. [ Google Scholar ] [ CrossRef ]
لاولیس، KL; هگارتی، م. Montello, DR عناصر جهت مسیر خوب در محیط های آشنا و ناآشنا. در نظریه اطلاعات مکانی ; Freksa, C., Mark, D., Eds. Springer: برلین، آلمان، 1999; جلد 1661، ص 65–82. [ Google Scholar ]
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 ]
دنیس، ام. توصیف مسیرها: رویکردی شناختی برای تولید گفتمان فضایی. Cah روانی شناخت. 1997 ، 16 ، 409-458. [ Google Scholar ]
Michon، PE; دنیس، ام. چه زمانی و چرا به نشانه های بصری در جهت دادن اشاره می کنیم؟ در نظریه اطلاعات مکانی ; Goos, G., Hartmanis, J., van Leeuwen, J., Eds. Springer: برلین، آلمان، 2001; جلد 2205، ص 292–305. [ Google Scholar ]
تام، آ. دنیس، ام. با اشاره به اطلاعات نشانه یا خیابان در جهت مسیر: چه تفاوتی دارد؟ در نظریه اطلاعات مکانی ; Kuhn, W., Worboys, MF, Timpf, S., Eds.; Springer: برلین، آلمان، 2003; جلد 2825، صص 362–374. [ Google Scholar ]
دانیل، M.-P. تام، آ. منقی، ای. دنیس، ام. آزمایش ارزش جهت های مسیر از طریق عملکرد ناوبری. تف کردن شناخت. محاسبه کنید. 2003 ، 3 ، 269-289. [ Google Scholar ]
دانیل، M.-P. دنیس، ام. تولید جهت‌های مسیر: بررسی شرایطی که به اختصار در گفتمان فضایی کمک می‌کند. Appl. شناخت. روانی 2004 ، 18 ، 57-75. [ Google Scholar ] [ CrossRef ]
گولج، آر جی. دوگرتی، وی. بل، اس. کسب دانش فضایی: پیمایش در مقابل دانش مبتنی بر مسیر در محیط‌های ناآشنا. ان دانشیار صبح. Geogr. 1995 ، 85 ، 134-158. [ Google Scholar ]
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 ; Springer: هایدلبرگ، آلمان، 1999; صص 37-50. [ Google Scholar ]
راوبال، م. Winter, S. غنی‌سازی دستورالعمل‌های راهیابی با مکان‌های دیدنی محلی. در علم اطلاعات جغرافیایی ; Egenhofer, MJ, Mark, DM, Eds. Springer: برلین، آلمان، 2002; جلد 2478، ص 243-259. [ Google Scholar ]
ناثگر، سی. زمستان، اس. Raubal, M. انتخاب ویژگی های برجسته برای مسیرهای مسیر. تف کردن شناخت. محاسبه کنید. 2004 ، 4 ، 113-136. [ Google Scholar ]
Winter, S. مسیر انتخاب تطبیقی از ویژگی های برجسته. در نظریه اطلاعات مکانی ; Kuhn, W., Worboys, MF, Timpf, S., Eds.; Springer: هایدلبرگ، آلمان، 2003; جلد 2825، ص 349–361. [ Google Scholar ]
زمستان، اس. راوبال، م. Nothegger, C. تمرکز بر معیارهای برجسته برای راهیابی. در خدمات تلفن همراه مبتنی بر نقشه ؛ Springer: هایدلبرگ، آلمان، 2005; صص 125-139. [ Google Scholar ]
کلیپل، ا. زمستان، S. برجستگی ساختاری نشانه‌ها برای مسیرهای مسیر. در نظریه اطلاعات مکانی ; Cohn، AG، Mark، DM، Eds. Springer: Ellicottville, NY, USA, 2005; جلد 3693، صص 347–362. [ Google Scholar ]
صادقیان، پ. Kantardzic، M. نسل جدید سیستم های خودکار تشخیص نقطه عطف: چالش ها و دستورالعمل ها. تف کردن شناخت. محاسبه کنید. 2008 ، 8 ، 252-287. [ Google Scholar ]
الیاس، ب. استخراج نشانه ها با روش های داده کاوی. در نظریه اطلاعات مکانی ; Kuhn, W., Worboys, MF, Timpf, S., Eds.; Springer: برلین، آلمان، 2003; جلد 2825، صص 398–412. [ Google Scholar ]
زمستان، اس. تومکو، م. الیاس، بی. سستر، ام. سلسله مراتب شاخص در زمینه. محیط زیست طرح. B 2008 , 35 , 381-398. [ Google Scholar ] [ CrossRef ]
Tomko، M. مطالعه موردی – ارزیابی توزیع فضایی منابع وب برای خدمات ناوبری. در مجموعه مقالات چهارمین کارگاه بین المللی در وب و سیستم های اطلاعات جغرافیایی بی سیم W2GIS04، کویانگ، کره، 26-27 نوامبر 2004.
تزوکا، تی. Tanaka، K. استخراج نقطه عطف: یک رویکرد وب کاوی. در نظریه اطلاعات مکانی ; Springer: هایدلبرگ، آلمان، 2005; جلد 3693، صص 379–396. [ Google Scholar ]
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، 23 تا 25 مارس 2005. صص 30-35.
الیاس، بی. Sester، M. ترکیب نشانه‌ها با معیارهای کیفیت در روش‌های مسیریابی. در علم اطلاعات جغرافیایی 2006 ; Raubal, M., Miller, HJ, Frank, AU, Goodchild, MF, Eds. Springer: برلین، آلمان، 2006; جلد 4197، ص 65–80. [ Google Scholar ]
ریشتر، KF; کلیپل، الف. قبل یا بعد: حروف اضافه در سیستم های فضایی محدود. در شناخت فضایی V ; Barkowsky, T., Knauff, M., Ligozat, G., Montello, DR, Eds. Springer: برلین، آلمان، 2007; جلد 4387، صص 453–469. [ Google Scholar ]
داکهام، ام. زمستان، اس. رابینسون، ام. از جمله نشانه‌ها در دستورالعمل‌های مسیریابی. J. Locat. سرویس مبتنی بر 2010 ، 4 ، 28-52. [ Google Scholar ] [ CrossRef ]
کلیپل، ا. هانسن، اس. ریشتر، KF; زمستان، S. دانه بندی شهری – یک ساختار داده برای مسیرهای ارگونومیک شناختی. Geoinformatica 2009 ، 13 ، 223-247. [ Google Scholar ] [ CrossRef ]
هیرتل، طراحی جغرافیایی SC: شناخت فضایی و علم اطلاعات جغرافیایی ; Morgan & Claypool Publishers: San Rafael, CA, USA, 2011. [ Google Scholar ]
ریشتر، KF 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: هایدلبرگ، آلمان، 2013; صص 83-97. [ Google Scholar ]
ریشتر، KF; Winter, S. برداشت محتوای تولید شده توسط کاربر برای اطلاعات مکانی معنایی: مورد نشانه‌ها در OpenStreetMap. در مجموعه مقالات کنفرانس دوسالانه نقشه برداری و علوم فضایی، ولینگتون، نیوزلند، 21 تا 25 نوامبر 2011. صص 75-86.
فرانک، AU; Raubal, M. آموزش GIS امروز: از علم GI تا مهندسی GI. URISA J. 2001 ، 13 ، 5-10. [ Google Scholar ]
ترانت، جی. مطالعه برچسب‌گذاری اجتماعی و عامیانه: بررسی و چارچوب. جی دیجیت. اطلاعات 2009، 10، ص. شماره 1. در دسترس آنلاین: https://journals.tdl.org/jodi/index.php/jodi/article/view/269/278 (دسترسی در 24 ژوئن 2014).
کراندال، دی. بکستروم، ال. هاتنلوچر، دی. عکس های کلینبرگ، جی. نقشه برداری از جهان. در مجموعه مقالات هجدهمین کنفرانس بین المللی وب جهانی، مادرید، اسپانیایی، 20-24 آوریل 2009.
هیل، اچ. ودانتهام، آر. کوئلار، جی. لیو، ا. گلفاند، ن. گرززچوک، آر. Borriello, G. پیمایش عابر پیاده مبتنی بر مکان دیدنی از مجموعه عکس‌های دارای برچسب جغرافیایی. در مجموعه مقالات هفتمین کنفرانس بین المللی چند رسانه ای موبایل و همه جا حاضر، Umea، سوئد، 3-5 دسامبر 2008. صص 145-152.
شلیدر، سی. ماتیاس، سی. عکاسی از یک شهر: تحلیلی از مفاهیم مکان بر اساس انتخاب های فضایی. تف کردن شناخت. محاسبه کنید. 2009 ، 9 ، 212-228. [ Google Scholar ]
جردن، KO; شپتیکین، آی. گروتر، بی. Vatterrott, H. شناسایی نشانه های ساختاری در یک پارک با استفاده از داده های حرکتی جمع آوری شده در یک بازی مبتنی بر مکان. در مجموعه مقالات SIGSPATIAL COMP’13، اورلاندو، فلوریدا، ایالات متحده آمریکا، 5 تا 8 نوامبر 2013.
شوارتز، آر. نعمان، م. نقشه های ذهنی جمعی و فردی شهر در جریان های آگاهی اجتماعی. در مجموعه مقالات کارگاه GeoHCI در CHI 2013، پاریس، فرانسه، 27-28 آوریل 2013.
الوود، اس. Goodchild، MF; Sui، چشم انداز DS برای تحقیقات VGI و پارادایم چهارم در حال ظهور. در جمع سپاری دانش جغرافیایی ; Sui، DS، Elwood، S.، Goodchild، MF، Eds. Springer Netherlands: Dordrecht, The Netherlands, 2013; صص 361-375. [ Google Scholar ]
لوی، جی. لوسو، ام. اسپیس. در Dictionnaire de la Géographie et de L’espace des Sociétés ; بلین: پاریس، فرانسه، 2003; صص 325-333. [ Google Scholar ]
Lussault, M. Lʼhomme Spatial: la Construction Sociale de L’espace Humain ; Seuil: پاریس، فرانسه، 2007. [ Google Scholar ]
بارخوس، ال. براون، بی. بل، م. هال، م. شروود، اس. چالمرز، ام. از آگاهی تا پاسخگو: اشتراک‌گذاری مکان در گروه‌های اجتماعی، CHI’08 . انتشارات ACM: فلورانس، ایتالیا، 2008. [ Google Scholar ]
کرامر، اچ. رست، م. Holmquist، LE انجام چک-این: شیوه های در حال ظهور، هنجارها و “تضادها” در اشتراک گذاری مکان با استفاده از چهار مربع. در مجموعه مقالات موبایل HCI 2011، استکهلم، سوئد، 30 اوت تا 2 سپتامبر 2011.
Evans, L. خدمات مبتنی بر مکان: دگرگونی تجربه فضا. J. Locat. سرویس مبتنی بر 2011 ، 5 ، 242-260. [ Google Scholar ] [ CrossRef ]
لیندکویست، جی. کرنشاو، جی. ویز، جی. هنگ، جی. زیمرمن، جی. من شهردار خانه‌ام هستم: بررسی اینکه چرا مردم از چهار ضلعی استفاده می‌کنند—یک برنامه اشتراک‌گذاری مکان مبتنی بر اجتماعی. در مجموعه مقالات کنفرانس عوامل انسانی در سیستم های محاسباتی (CHI-11)، ونکوور، BC، کانادا، 7-12 مه 2011.
رست، م. بارخوس، ال. کرامر، اچ. براون، ب. بازنمایی و ارتباطات: چالش‌ها در تفسیر مجموعه داده‌های بزرگ رسانه‌های اجتماعی. در مجموعه مقالات CSCW ’13، سن آنتونیو، تگزاس، ایالات متحده آمریکا، 23 تا 27 فوریه 2013.
نولاس، ا. اسکلاتو، اس. ماسکولو، سی. پونتیل، ام. مطالعه تجربی الگوهای فعالیت کاربر جغرافیایی در Foursquare. در مجموعه مقالات پنجمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، بارسلون، اسپانیا، 17 تا 21 ژوئیه 2011.
کلی، ام جی تخیلات شهری نوظهور رسانه های جغرافیایی اجتماعی. Geo J. 2013 ، 78 ، 181-203. [ Google Scholar ]
باوا-کاویا، الف. حس شهری: استفاده از داده های شبکه اجتماعی مبتنی بر مکان در تحلیل شهری. در مجموعه مقالات نهمین کنفرانس بین المللی محاسبات فراگیر، کارگاه آموزشی کاربردهای فراگیر شهری (PURBA)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 12 ژوئن 2011.
کرنشاو، جی. شوارتز، آر. هنگ، جی. Sadeh, N. پروژه زندگی: استفاده از رسانه های اجتماعی برای درک پویایی یک شهر. در مجموعه مقالات ششمین کنفرانس بین المللی AAAI در مورد وبلاگ ها و رسانه های اجتماعی (ICWSM-12)، دوبلین، بریتانیا، 4 تا 7 ژوئن 2012.
کرنشاو، جی. یانو، تی. دیدن خانه ای دور از خانه: تقطیر محله های اولیه از داده های اتفاقی با مدل سازی موضوع پنهان. در مجموعه مقالات کارگاه NIPS در مورد علوم اجتماعی محاسباتی و حکمت جمعیت، ویستلر، کانادا، 10 دسامبر 2010.
پرئوتیوک-پیترو، دی. کرنشاو، جی. یانو، تی. بررسی اقدامات شباهت شهر به شهر مبتنی بر مکان. در مجموعه مقالات UrbComp 13، شیکاگو، IL، ایالات متحده آمریکا، 11-14 اوت 2013. انتشارات ACM: شیکاگو، IL، ایالات متحده آمریکا، 2013. [ Google Scholar ]
زادروزنی، پ. Kodali, R. تجزیه و تحلیل چهار مربع چک کردن. در تجزیه و تحلیل داده های بزرگ با استفاده از Splunk ; Apress: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; صص 231-253. [ Google Scholar ]
ریشتر، KF; Winter, S. Landmark: GIScience for Intelligent Services ; Springer: Cham، Switzerland، 2014. [ Google Scholar ]

© 2014 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب