随着通信网络与移动定位技术的发展，基于位置服务(location-based service，LBS)迎来重要的应用发展阶段[1-5]。作为LBS服务的核心组成部分[6]，位置的准确描述与否直接影响着LBS的服务质量[7-10]。通常，位置是需要借助客体来描述的，包括绝对位置描述与相对位置描述[11]。其中相对位置描述依赖于周边的地理实体及与该实体的空间关系实现位置的定性描述，是目前文本大数据中位置信息交换的主要方式。地标作为人们导航与寻路等空间行为的关键要素[12]，是相对位置描述的重要参照，其影响力大小是合理推荐参照地标的重要依据。
目前，地标影响力评价方法包括利用受访者对环境的认知度，采取问卷调查等传统主观方式估计地标影响范围的方法[13-15]；也有结合内嵌地理标记的照片[16]、区域POI数据[17]、社交媒体数据[18]等新兴地理数据来估计地标影响范围的方法；还有利用同心区域[19]、Voronoi图[20]等数学模型的方法。采用传统主观方式能够更精准地估计出符合人们认知的地标范围，但是却需要耗费大量的时间与人工成本，难以便捷地应用于其他地标；结合新兴地理数据的方法虽具有良好的可操作性，却通常需要预先对数据进行清理、筛选等操作；而利用数学模型的方法相对更严谨精确，却不具备较好的实用性。
通常，局部多地标场景中的地标都同时受到了内在特征与相邻地标的双重约束，上述影响力评价方法虽各有优势，却都重点关注地标的内在因素(如认知度、外观特征等)，较少考虑相邻地标的约束，即相对影响力(如周边地标对位置共享者对地标选择的影响等)。然而，多地标场景中的非孤立存在的地标必然是会相互影响的。人们在选择参照地标时，除了考虑地标的内在特征外，必然还会综合考虑地标间的距离。因此，结合距离约束研究地标影响力，不仅可以全面评价地标的影响力，还能为人们推荐更符合心理预期的参照地标。
本文在已有的地标影响力评价模型的基础上，分析局部场景中各个地标对定位点的距离相对影响力，提出了一种顾及距离约束的地标相对影响力评价模型；以江西省南昌市八一广场周边区域内的多个相邻地标为试验区域，结合现场问卷调查验证本评价模型的有效性。
1 地标相对影响力评价模型 1.1 个体影响力个体影响力是指地标内在特征所产生的影响力，显著度是评价地标个体影响力的重要指标[21]。目前地标显著度计算主要从语义、视觉及结构3大特征构建模型[22]，结合网络资源[23-24]计算室内外地标的显著度，可应用于城市多层次地标体系构建[25-27]、路径导引描述中的地标选择[28-29]、大型商场内快速寻路[30-31]等。
本文针对室外地标特点及位置描述中地标的功能，参考现有显著性评价模型，从认知、视觉及场景等特征选取评价指标，构建地标个体影响力的评价模型。为了提高地标影响力在实际应用中的易用性，本文在满足良好推荐准确率的前提下，重点选取可量化且易获得的指标来表达地标的内在特征。其中，部分指标计算采用最大值归一化方法(式(1))进行标准化处理
(1)
认知特征是地标客观存在的内在语义特征[32]，是影响人们对地标的理解和认知的重要因素[33]。知名度是内在特征的综合反映，能客观衡量地标被公众知晓和了解的程度。此外，人们对不同功能地标的熟悉程度也是存在差异的，因此本文选取知名度与功能性两项指标评价地标的认知影响力。
(1) 知名度。该指标可评价公众对地标认知的广度和深度的双重影响。通常，在其他条件相同的情况下时，人们会更倾向于选择符合公众认知的地标作为参照，即高知名度地标比低知名度地标更适合作为参照，辅助描述位置信息。为了客观地评价地标的知名度，本文分别在百度搜索与Bing搜索中检索地标的名称获得相应的检索结果数量，分别采用最大值归一化法(式(1))处理检索结果，最后取归一化结果的均值作为地标的知名度指标值。
(2) 功能性。不同功能的地标受到的关注度也不同，该指标反映了地标的受关注度，例如大型商场通常比一般大厦更容易被更多的人熟识。功能性通常体现在地标的不同类别属性上。本文根据文献[25]提出的POI类别与公众认知度的相关性，将原先10个功能类别等级归纳综合后划分为5个等级，见表 1，等级越高的类别越重要，赋予的功能性指标值也相应越大，并取原多个等级的公众认知度的均值作为新等级的地标功能性指标值。由于新等级的级差不一致(0.1~0.3)，本文定义了统一的等级差(0.2)来量化地标功能性差异。
| 等级 | 地标类别 | 赋值 |
| 1级 | 重要机关、大厦 | 0.2 |
| 2级 | 高级酒店、医院、休闲场馆 | 0.4 |
| 3级 | 城市公园、文化教育 | 0.6 |
| 4级 | 大型商场、名胜古迹 | 0.8 |
| 5级 | 交通枢纽 | 1.0 |
1.1.2 视觉影响力
与内在特征相比，外在特征更直接地影响着地标的可参照性。视觉是反映地标外在特征的重要因素，拥有独特或显著视觉特征的地标会比相邻地标更容易受到关注。对于局部场景中的室外地标而言，地标建筑的高低、占地范围的大小是体现视觉特征的重要指标，也是人们对地标最直接的感受。因此本文选取建筑高度与占地范围指标来评价地标的视觉影响力。
(1) 建筑高度。在室外局部场景中，地标建筑越高，与周边地标相比也越显得突出，在视觉上也就越容易被发现。实地调查发现，地标高差大小与人们的实际感受并非线性变化的关系，即当两个地标的高度较低时，较小的高差也会带给人们较强烈的高度差异感受，而当两个地标的高度较高时，即便是较大的高差带给人们的感受却并不明显。例如场景中有地标A(2层楼高)、地标B(4层楼高)，地标C(20层楼高)与地标D(24层楼高)，即使地标A与地标B的楼层差(2层)小于地标C与地标D的楼层差(4层)，但是前者的高度差带给人们的感受是明显强于后者的。本文利用自然对数函数来标准化地标高度，以模拟高度差给人们产生的感受，并采用最大值归一化法(式(1))计算地标建筑高度指标。为了更方便测量地标建筑的高度，本文采用地标建筑位于地面以上的楼层数来等效代替地标高度。
(2) 占地范围。在室外场景中，地标的占地范围越大越突出，受到其影响的空间范围也相应越大。本文采用地标建筑在地面上的投影面积作为占地范围大小，并采用最大值归一化法(式(1))计算地标占地范围的指标。
1.1.3 场景影响力场景特征表征局部场景中周边地标的属性信息造成的影响，主要指名称、类别等属性。对于参照地标的选取而言，好的场景特征是指参照地标的名称或功能不会使位置信息接收者产生歧义。因此，本文选取名称唯一性和功能独特性指标来评价地标的场景影响力。
(1) 名称唯一性。在局部场景中若存在两个名称相同或相近的地标，势必会产生歧义，影响着位置描述的精准性。因此在其他条件相同的情况下，应避免选择局部场景中存在相似名称的地标，若存在此类情况，则地标的名称唯一性指标值为0，反之为1。
(2) 功能独特性。若局部场景中的地标与周边地标的功能类别不同，可使得地标在功能上表现出特殊性，能更好地发挥地标的指引作用。本文通过判断局部场景中是否存在功能类别相同的地标来计算地标的功能独特性指标值，若存在此类情况，则指标值为0，反之为1。
1.1.4 个体影响力评价模型本文基于地标的认知影响力S1、视觉影响力S2与场景影响力S3，构建个体影响力评价模型为
(2)
式中，ω1、ω2、ω3为S1、S2、S3的权重，满足ω1, ω2, ω3>0且ω1+ω2+ω3=1。权重可根据实际场景进行设定，以符合局部场景的特征。认知、视觉和场景特征的显著度的计算公式为
(3)
式中，S11、S12、S21、S22、S31、S32分别为各特征指标的值；ω11、ω12、ω21、ω22、ω31、ω32分别为相应指标的权重，满足ω11>0、ω12>0、ω21>0、ω22>0、ω31>0、ω32>0且ω11+ω12=1、ω21+ω22=1、ω31+ω32=1。各指标的权重根据实际场景环境进行设定。
1.2 距离相对影响力除了个体影响力外，距离因素也制约着地标对定位点的影响。一方面，在其他条件相同的情况下，离定位点越近的地标其影响力越大，反之越小。另一方面，在局部多地标场景中，定位点受到某个地标的影响越大，相应地受到其他地标的影响也就越小。因此，距离是影响参照地标选择的另一项关键因素。本文利用定位点与局部场景中所有地标的空间距离计算地标的距离相对影响力。
由于实际场景中的地标是存在一定空间范围的，因此本文根据定位点与地标范围的相对位置计算定位点与地标的空间距离(式(4))。若定位点位于地标范围内部，则将距离赋值为0；若定位点位于地标范围的外部，则计算定位点与地标投影面的最短欧氏距离，即定位点与地标投影面上所有点的最短距离
(4)
式中，p为定位点；Nm为地标m投影面上的点；D(·)为距离计算函数；min(·)为最小值函数。
因此，对于所有i(i∈n)与j(j∈n且j≠i)，第i个地标的距离相对影响力SDi的计算存在两种情况：
(1) 当d(p, mi)=0时，SDi=1，SDj=0。
(2) 当所有地标的d(p, mi)≠0，则利用式(5)计算SDi
(5)
式中，p为定位点；m为地标；d(p, mi)表示定位点p与第i个地标的空间距离；n表示局部场景中的地标数量，满足
本文综合上述地标的个体影响力(SP)及其对定位点的距离相对影响力(SD)，提出地标相对影响力评价模型为
(6)
式中，ωD、ωP分别为SD与SP的权重，满足ωD>0、ωP>0且ωD+ωP=1。具体的权重根据实际场景环境进行设定。
2 试验设计与验证结果分析 2.1 试验内容本文以江西省南昌市八一广场附近区域作为试验区，选取了八一广场地铁站出入口、万达广场、南昌百货大楼、南昌财富广场、江西省妇幼保健院、移动营业厅和江西艺术剧院等7个显著性相对较高、距离相近的地标作为评价对象，通过实地问卷调查，验证并分析模型计算结果的准确性。
2.2 地标影响力计算本节以试验区内位置POS为定位点，计算试验区内的7个地标对POS的相对影响力，介绍本文提出的地标影响力模型的计算过程。各地标及POS位置的空间分布情况如图 1所示。需要说明的是，图中的3个“八一广场地铁站出入口”虽然位于不同的地点，但是对于公众而言应属于同一个地标，因此本文试验中将这3个地理要素作为同一个地标进行计算与分析。
|
| 图 1 地标及试验定位点POS空间分布 Fig. 1 Spatial distribution of landmarks and the positioning point (POS) |
合适的指标权重能够更好地反映地标对定位点影响力。本文根据试验区的实际情况，由多名专家独立评价各层次指标间的相对重要性，构造相应的判断矩阵，经过一致性检验后确定各评价指标的权重值，见表 2。
| 个体影响力 | 距离影响力 | |||||||
| 认知特征 | 视觉特征 | 场景特征 | ||||||
| 知名度 | 功能性 | 建筑高度 | 占地范围 | 名称唯一性 | 功能独特性 | |||
| 0.194 4 | 0.064 8 | 0.076 36 | 0.015 64 | 0.024 4 | 0.024 4 | 0.6 | ||
针对模型要求的各项评价指标，本文采取网络搜索、实地考察等方法获得各地标的指标信息见表 3，最终计算得到各地标对POS定位点的影响力。其中知名度指标要求的百度引擎与Bing引擎的数据来源于2020年5月15日的检索结果。
| 类别 | 八一广场地铁站出入口 | 万达广场(八一广场店) | 南昌百货大楼 | 南昌财富购物广场 | 江西省妇幼保健院 | 中国移动营业厅(八一大道) | 江西艺术剧院 |
| 百度搜索/万条 | 34.1 | 6930 | 162 | 307 | 1110 | 1970 | 133 |
| Bing搜索/万条 | 5.88 | 525 | 5.47 | 9.02 | 21.3 | 125 | 25.8 |
| 功能类别 | 交通枢纽 | 大型商场 | 大型商场 | 大型商场 | 医院 | 大厦 | 文化教育 |
| 地面以上楼层数 | 1 | 6 | 10 | 32 | 15 | 6 | 2 |
| 占地面积/m2 | 445 | 8833 | 7370 | 6286 | 21 877 | 1548 | 3955 |
| 名称是否唯一 | 否 | 是 | 是 | 是 | 是 | 是 | 是 |
| 功能是否独特 | 否 | 否 | 否 | 否 | 是 | 否 | 是 |
| 与定位点的距离/m | 35.09 | 94.00 | 26.92 | 188.87 | 208.66 | 130.16 | 285.03 |
| 综合影响力 | 0.27 | 0.34 | 0.48 | 0.17 | 0.18 | 0.14 | 0.12 |
模型计算结果表明，7个地标中对定位点POS影响力最大的是“南昌百货大楼”，这一结果与实地问卷调查的结果一致。而距离更接近但个体影响力较低的地标“八一广场地铁站出入口”的综合影响力较小于“南昌百货大楼”，个体影响力最大但距离略远的“万达广场(八一广场店)”的综合影响力也低于“南昌百货大楼”，间接验证了本文提出的影响力评价模型较好地融合了距离及内在特征的影响。
2.3 问卷调查结果验证 2.3.1 问卷调查设计本文从年龄段、性别、对周边环境的熟悉度等方面设计了调查问卷，要求受访者独立地从试验区中的7个被调查地标中选择3个参照地标来描述当前所处的位置。问卷调查的具体过程如下：
(1) 首先利用地图告知受访者被调查的7个地标的空间方位。
(2) 受访者通过观察当前位置的周边环境依次选择1个优选地标、2个次选地标，并依据地标选择的先后顺序，分别作为当前位置参照地标的优先选择、第2选择与第3选择。
(3) 记录受访者的性别、年龄段、对周边环境熟悉度以及选择的参照地标。
2.3.2 模型有效性验证本次问卷调查共回收问卷863份，除去13份存在明显定位错误的无效问卷外，用于结果分析的有效问卷共计850份。最终，通过分析受访者选择的地标与模型推荐地标的一致性，计算模型优先推荐、次优推荐与总推荐的准确率。为了验证顾及距离模型的有效性，本文对比分析了传统仅考虑显著度的模型的推荐准确率。其中，根据试验区7个地标个体影响力，传统模型推荐了个体影响力(即显著度)最大的地标-“万达广场(八一广场店)”。
此外，为了更准确了解模型推荐结果的匹配度，本文对验证过程进行如下规定：
(1) 默认情况下，本文将模型计算的最大影响力的地标定义为推荐地标，然而由于存在坐标定位误差、计算精度等原因，模型计算结果必然会存在一定的误差。通过分析，本文将模型计算结果中与最大影响力值相差0.05的所有地标统一定义为推荐地标。
(2) 将模型推荐地标与受访者的优先选择相匹配的问卷定义为正确优先推荐，将仅与第2选择或仅与第3选择匹配的问卷归类为正确次优推荐。
问卷调查统计结果见表 4。结果表明，本文模型的正确优先推荐的问卷占比(约55.4%)明显优于传统模型的占比(约19.5%)，即本文模型推荐的参照地标能够与超过一半的受访者的优先选择保持一致，远高于传统模型的正确率。通过结合正确次优推荐的问卷结果，本文模型的总体准确率达到了80.4%，表明本文模型的推荐结果很好地匹配了受访者的选择，也优于传统模型的总正确推荐的准确率(不足50%)。总体上，本文模型不仅能够更全面完整地反映地标的影响力，而且在局部场景中能够比传统模型推荐出更加符合人们心理预期的参照地标。
| 问卷数量 (准确率) |
正确优先推荐 | 正确次优推荐 | 总正确推荐 | 错误推荐 | |
| 第2选择 | 第3选择 | ||||
| 本文模型 | 471(55.4%) | 146(17.2%) | 66(7.8%) | 683(80.4%) | 167(19.6%) |
| 传统模型 | 166(19.5%) | 144(16.9%) | 109(12.9%) | 419(49.3%) | 431(50.7%) |
2.3.3 错误推荐分析
问卷调查结果统计情况如图 2所示，图中标注的编号为模型推荐地标与受访者选择不一致的受访者编号。结合图 2及问卷调查结果总结发现以下情况：
|
| 图 2 问卷调查结果空间分布 Fig. 2 Spatial distribution of questionnaire survey results |
(1) 大多数错误推荐的位置都位于推荐地标和受访者选择的地标之间，与二者的距离差不多(如位置10、15、18等)。若要解决这种错误推荐的情况，就需要更精细、指标更丰富的模型，然而这势必会影响模型指标值的获取难度，进而影响模型的计算效率，因此需要根据实际情况调整模型。
(2) 部分错误推荐的位置受到了可视范围的影响，虽然离受访者选择的地标明显较远(如位置73、83、86等)，但通过实地调查发现，推荐地标在地面上的建筑不明显(如地铁站出入口只有很小的一个小房子)，或者由于受访者不熟悉周边环境且位置与其他建筑物非常近，视线受到了遮挡(如位置83与推荐地标中间隔了一栋楼)，导致受访者选择了非推荐地标。因此在后续的模型改进中，可结合城市三维模型分析定位点与地标之间的通视情况，更好地评价地标影响力。
(3) 人们对周边环境的熟悉度也会影响参照地标的选择。如果人们对周边环境不熟悉，那么在选择参照地标时，会存在预设立场，即该位置的描述信息是要发送给对该周边环境同样不熟悉的人。在这种情况下，很有可能会优先考虑知名度大的地标或交通设施等作为参照地标(如位置1、47、68等)。
3 结论选择合适的参照地标是准确描述位置的关键，而影响力正是地标选择的重要依据。在局部多地标场景中，非孤立存在的地标会同时受到其内在特征及相邻地标的双重约束。若定位点与某地标越近，受到该地标的影响也越大，相应地受到同一场景中其他地标的影响就越小。因此，本文在评价地标个体影响力(显著性)的基础上，重点考虑了距离因素对地标影响，提出了顾及距离约束的地标相对影响力评价模型。问卷调查结果表明，本文提出的模型较准确地评价了局部场景中多地标的相对影响力，与绝大多数受访者的选择保持一致，也远优于传统仅依赖地标内在因素模型的结果，可在局部多地标的场景中推荐符合人们心理预期的参照地标。同时，通过分析错误推荐的问卷发现，当人们位于多个地标之间时需要更精细的模型评价地标影响力，此外结合城市三维模型分析定位点与地标的通视情况，以及用户对周边环境的熟悉度等其他因素都会对推荐结果产生影响，这些都是模型改进方向。
| [1] |
JUNGLAS I A, WATSON R T. Location-based services[J]. Communications of the ACM, 2008, 51(3): 65-69. DOI:10.1145/1325555.1325568 |
| [2] |
王黎明, 夏清国, 唐留朋. 移动位置服务中一种空间智能发布系统模型[J]. 计算机工程与设计, 2008, 29(12): 3043-3045, 3112. WANG Liming, XIA Qingguo, TANG Liupeng. Model of spatial intelligent publish-system for LBS[J]. Computer Engineering and Design, 2008, 29(12): 3043-3045, 3112. |
| [3] |
VU T H N, RYU K H, PARK N. A method for predicting future location of mobile user for location-based services system[J]. Computers & Industrial Engineering, 2009, 57(1): 91-105. |
| [4] |
ZHANG Haitao, XU Liang, HUANG Huihui, et al. Mining spatial association rules from LBS anonymity dataset for improving utilization[C]//Proceedings of the 13th International Conference on Geoinformatics. Kaifeng, China: IEEE, 2013: 1-6.
|
| [5] |
XIA Linyuan, HUANG Qiumei, WU Dongjin. Decision tree-based contextual location prediction from mobile device logs[J/OL]. (2018-04-01)[2020-07-20]. https://downloads.hindawi.com/journals/misy/2018/1852861.pdf.
|
| [6] |
周傲英, 杨彬, 金澈清, 等. 基于位置的服务: 架构与进展[J]. 计算机学报, 2011, 34(7): 1155-1171. ZHOU Aoying, YANG Bin, JIN Cheqing, et al. Location-based services: architecture and progress[J]. Chinese Journal of Computers, 2011, 34(7): 1155-1171. |
| [7] |
胡兆量. 论地理位置[J]. 地域研究与开发, 1985(2): 9-16. HU Zhaoliang. Geographic location[J]. Areal Research and Development, 1985(2): 9-16. |
| [8] |
齐晓飞, 王光霞, 王富强, 等. 基于位置服务的语义位置建模研究[J]. 测绘科学, 2014, 39(5): 89-92, 138. QI Xiaofei, WANG Guangxia, WANG Fuqiang, et al. Research of semantic location modeling based on location service[J]. Science of Surveying and Mapping, 2014, 39(5): 89-92, 138. |
| [9] |
BISWAS P, SAIRAM A S. Modeling privacy approaches for location based services[J]. Computer Networks, 2018, 140(7): 1-14. |
| [10] |
LIU Jingnan, ZHAN Jiao, GUO Chi, et al. Data logic structure and key technologies on intelligent high-precision map[J]. Journal of Geodesy and Geoinformation Science, 2020, 3(3): 1-17. DOI:10.11947/j.JGGS.2020.0301 |
| [11] |
PRADHAN S. Semantic location[J]. Personal Technologies, 2000, 4(4): 213-216. DOI:10.1007/BF02391560 |
| [12] |
MONTELLO D R, GOODCHILD M F, GOTTSEGEN J, et al. Where's downtown?behavioral methods for determining referents of vague spatial queries[J]. Spatial Cognition & Computation, 2003, 3(2-3): 185-204. |
| [13] |
刘瑜, 袁一泓, 张毅. 基于认知的模糊地理要素建模——以中关村为例[J]. 遥感学报, 2008, 12(2): 370-377. LIU Yu, YUAN Yihong, ZHANG Yi. A cognitive approach to modeling vague geographical features: a case study of Zhongguancun[J]. Journal of Remote Sensing, 2008, 12(2): 370-377. |
| [14] |
黄潇莹, 李霖, 颜芬. 基于多源兴趣点的模糊地名空间范围划分方法[J]. 地理信息世界, 2016, 23(6): 61-67, 72. HUANG Xiaoying, LI Lin, YAN Fen. Delimitating the vague place name bound using multiple-sources points of interest[J]. Geomatics World, 2016, 23(6): 61-67, 72. DOI:10.3969/j.issn.1672-1586.2016.06.012 |
| [15] |
贾奋励, 田江鹏, 智梅霞, 等. 虚拟地理试验的地标视觉显著度模型[J]. 测绘学报, 2018, 47(8): 1114-1122. JIA Fenli, TIAN Jiangpeng, ZHI Meixia, et al. A visual salience model of landmark based on virtual geographical experiments[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8): 1114-1122. DOI:10.11947/j.AGCS.2018.20180107 |
| [16] |
GROTHE C, SCHAAB J. Automated footprint generation from geotags with kernel density estimation and support vector machines[J]. Spatial Cognition & Computation, 2009, 9(3): 195-211. |
| [17] |
颜芬, 李霖, 翁敏. 基于POI数据的模糊地名空间范围估计[J]. 测绘工程, 2018, 27(5): 33-39. YAN Fen, LI Lin, WENG Min. Modeling vague places using point of interest (POI) datasets[J]. Engineering of Surveying and Mapping, 2018, 27(5): 33-39. |
| [18] |
柳春生, 任福, 杜清运, 等. 基于社交网络数据的地标显著度模型构建与应用[J]. 地理信息世界, 2019, 26(1): 127-131, 138. LIU Chunsheng, REN Fu, DU Qingyun, et al. Construction and application of landmarks salience degree model based on social network data[J]. Geomatics World, 2019, 26(1): 127-131, 138. DOI:10.3969/j.issn.1672-1586.2019.01.023 |
| [19] |
COHN A G, GOTTS N M. The 'Egg-Yolk' representation of regions with indeterminate boundaries[C]//Proceedings of 1996 GISDATA Specialist Meeting on Geographical Objects with Undetermined Boundaries. London: Taylor Francis, 1996: 171-187.
|
| [20] |
ALANI H, JONES C B, TUDHOPE D. Voronoi-based region approximation for geographical information retrieval with gazetteers[J]. International Journal of Geographical Information Science, 2001, 15(4): 287-306. DOI:10.1080/13658810110038942 |
| [21] |
DAI Yuchao, ZHANG Jing, HE Mingyi, et al. Salient object detection from multi-spectral remote sensing images with deep residual network[J]. Journal of Geodesy and Geoinformation Science, 2019, 2(2): 101-110. DOI:10.11947/j.JGGS.2019.0211 |
| [22] |
SORROWS M E, HIRTLE S C. The nature of landmarks for real and electronic spaces[M]//FREKSA C, MARK DM. Spatial Information Theory: Cognitive and Computational Foundations of Geographic Information Science. Berlin: Springer-Verlag, 1999: 37-50.
|
| [23] |
TOMKO M. Case study: assessing spatial distribution of web resources for navigation services[C]//Proceedings of the 4th International Workshop on Web and Wireless Geographical Information Systems. Goyang, Korea: [s. n. ], 2004: 1-16.
|
| [24] |
TEZUKA T, TANAKA K. Landmark extraction: a web mining approach[C]//Proceedings of 2005 International Conference on Spatial Information Theory. Ellicottville, NY: Springer, 2005: 379-396.
|
| [25] |
赵卫锋, 李清泉, 李必军. 利用城市POI数据提取分层地标[J]. 遥感学报, 2011, 15(5): 973-988. ZHAO Weifeng, LI Qingquan, LI Bijun. Extracting hierarchical landmarks from urban POI data[J]. Journal of Remote Sensing, 2011, 15(5): 973-988. |
| [26] |
李霖, 毛凯, 谭永滨. 地标分层多粒度路径导引描述方法[J]. 测绘学报, 2014, 43(1): 105-110. LI Lin, MAO Kai, TAN Yongbin. Hierarchy landmarks multi-granularity description method for route guidance[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 105-110. DOI:10.13485/j.cnki.11-2089.2014.0015 |
| [27] |
王明, 胡庆武, 李清泉, 等. 基于位置签到数据的城市分层地标提取[J]. 计算机学报, 2016, 39(2): 405-413. WANG Ming, HU Qingwu, LI Qingquan, et al. Extracting hierarchical landmark from check-in data[J]. Chinese Journal of Computers, 2016, 39(2): 405-413. |
| [28] |
张星. 地标引导的城市复杂环境行人导航方法研究[D]. 武汉: 武汉大学, 2012. ZHANG Xing. Research on landmark-based pedestrian navigation methods in complex city environment[D]. Wuhan: Wuhan University, 2012. |
| [29] |
周沙. 基于地标的行人导航关键技术研究[D]. 武汉: 中国地质大学, 2017. ZHOU Sha. Research on the key technologies of landmark-based pedestrian navigation[D]. Wuhan: China University of Geosciences, 2017. |
| [30] |
刘涛, 张星, 李清泉, 等. 顾及地标可视性的室内导航路径优化算法[J]. 武汉大学学报(信息科学版), 2017, 42(1): 43-48. LIU Tao, ZHANG Xing, LI Qingquan, et al. An indoor pedestrian route planning algorithm based on landmark visibility[J]. Geomatics and Information Science of Wuhan University, 2017, 42(1): 43-48. |
| [31] |
朱海红, 温雅, 毛凯, 等. 室内地标提取的POI显著度定量评价模型[J]. 武汉大学学报(信息科学版), 2018, 43(3): 336-341. ZHU Haihong, WEN Ya, MAO Kai, et al. A quantitative POI salience model for indoor landmark extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 336-341. |
| [32] |
CADUFF D, TIMPF S. On the assessment of landmark salience for human navigation[J]. Cognitive Processing, 2008, 9(4): 249-267. DOI:10.1007/s10339-007-0199-2 |
| [33] |
PRESSON C C, MONTELLO D R. Points of reference in spatial cognition: stalking the elusive landmark[J]. British Journal of Developmental Psychology, 1988, 6(4): 378-381. DOI:10.1111/j.2044-835X.1988.tb01113.x |