CN103177189A - 一种众源位置签到数据质量分析方法 - Google Patents

Abstract

本发明涉及测绘技术领域，尤其涉及一种众源位置签到数据质量分析方法。包括以下步骤：步骤1：进行众源位置签到数据预处理；步骤2：进行所述的众源位置签到数据地理配准并进行整体定位精度评定；步骤3：进行所述的众源位置签到数据匹配建模；步骤4：进行所述的众源位置签到数据的类别精度评定；步骤5：进行所述的众源位置签到数据的定位精度评定。本发明给出了较为详尽的众源位置签到数据质量分析的方法、过程及标准，为突破POI原有的人工实地考察而采用众源位置签到数据实现便捷、快速、高效的POI更新奠定了基础，以便解决POI获取无法满足社会及LBS等行业领域需求的问题。

Description

一种众源位置签到数据质量分析方法

技术领域

本发明涉及测绘技术领域，尤其涉及一种众源位置签到数据质量分析方法。

背景技术

随着Web2.0技术的日益成熟和普及，LBS（Location Based Service，基于位置服务）成为了当下发展最为迅猛的科技应用之一。基于位置的服务是当今发展比较成熟、普及程度较高的地理位置服务业务。随着LBS的快速发展，其对位置信息数量以及时效性的要求也越来越高。POI（Point Of Interest，兴趣点）作为当前位置信息的重要载体，已被广泛应用于车载导航系统等LBS应用中，POI数据的实时性、数据来源的可靠性和广泛性直接影响着LBS业务的发展，POI的质量在一定程度上决定了位置服务的质量。

传统POI更新主要依靠人工现场采集后入库的方法，与其他类型GIS数据一样主要通过专业测绘部门采集管理，不仅费时费力、效率低下，其现势性也已无法满足位置服务和行业GIS应用的整体需求。

位置签到数据来自大量用户带有GPS定位功能的智能移动终端上传的信息，具有数据量大、现势性高、具有社会化属性等特点，使其成为实现POI高效高质更新的一种潜在可用数据源。众源位置数据由用户参自愿上传，用户参与程度较高，其数据容量以及数据时效性是传统采集方式得到的数据所难以比拟的，而这也正是POI更新亟待解决的问题，但是由于上传数据的用户缺乏测绘及GIS相关背景和知识，加之智能手机等移动客户端定位精度有限，使得众源位置签到数据的质量无法与传统的POI采集方式相比拟，因此要想利用众源位置签到数据实现POI的快速更新，就要实现对众源位置数据的质量进行分析，但目前尚未有较为完善的众源位置数据的质量分析方法。

发明内容

本发明的目的是提供一种众源位置签到数据质量分析的方法模型与质量指标，从而满足利用众源签到数据进行便捷、快速、高效的进行POI更新的社会及LBS等行业需求。

本发明的技术方案为一种众源位置签到数据质量分析的方法，其特征在于，包括以下步骤：

步骤1：进行众源位置签到数据预处理；

步骤2：进行所述的众源位置签到数据地理配准并进行整体定位精度评定；

步骤3：进行所述的众源位置签到数据匹配建模；

步骤4：进行所述的众源位置签到数据的类别精度评定；

步骤5：进行所述的众源位置签到数据的定位精度评定。

作为优选，所述的步骤1进一步包括以下子步骤：

步骤1.1：根据标准兴趣点数据的覆盖范围对所述的众源签到数据进行裁剪；

步骤1.2：去除签到次数未达到阈值的所述的众源位置签到数据；

步骤1.3：去除属性信息不完整的所述的众源位置签到数据；

步骤1.4：对重复的所述的众源位置签到数据进行合并处理；

步骤1.5：对所述的众源位置签到数据根据其属性进行分类整理。

作为优选，所述的步骤2进一步包括以下子步骤：

步骤2.1：将所述的位置签到数据、标准POI数据与底图统一坐标系；

步骤2.2：提取出名称属性完全匹配的所述的位置签到数据和POI数据库中对应POI数据，得到数据点对集；

步骤2.3：根据所述的数据点对集，采用RANSAC算法对所述的位置签到数据和对应POI数据的仿射变换关系模型进行估算，迭代出最优模型参数；

步骤2.4：利用仿射变换参数对所述的位置签到数据进行整体地理配准；

步骤2.5：利用配准前后所述的位置签到数据与对应POI的距离偏差均值和标准差作为整体定位精度评定的参数。

作为优选，所述的步骤3进一步包括以下子步骤：

步骤3.1：将所述的位置签到数据进行空间匹配，获取空间匹配度；

步骤3.2：对空间匹配失败的众源位置签到数据进行属性匹配，获得所述的失败签到数据指标和属性匹配度。

作为优选，所述的步骤4进一步包括以下子步骤

步骤4.1：对空间匹配成功的众源位置签到数据与其对应的标准POI数据进行类别比较；

步骤4.2：计算出各类别的类别匹配精度。

作为优选，所述的步骤5进一步包括以下子步骤：

步骤5.1：利用空间匹配成功的众源位置签到数据，根据类别划分结果，计算出类别定位精度；

步骤5.2：利用属性匹配成功的众源位置签到数据，计算出定位偏差均值以及类内定位偏差均值，从而进一步求解出整体定位精度的误差极大值，以及类内定位偏差的极大值。

本发明具有的优点和积极效果为：本发明给出了较为详尽的众源位置签到数据质量分析的方法、过程及标准，为突破POI原有的人工实地考察而采用众源位置签到数据实现便捷、快速、高效的POI更新奠定了基础，以便解决POI获取无法满足社会及LBS等行业领域需求的问题。

附图说明

图1是本发明的实施例流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

本发明以当前用户参与数众多的社交网络为数据平台，提出了一种针对众源位置签到数据质量的分析方法。

请见图1，本实施例的流程具体包括以下步骤：

步骤1：进行众源位置签到数据预处理；

该步骤进一步包括以下子步骤：

步骤1.1：根据标准POI数据的覆盖范围对众源签到数据进行裁剪，去除掉标准POI覆盖区域范围外的众源位置签到数据；

步骤1.2：对众源位置签到数据设置签到次数的阈值，去除签到次数未达到阈值的众源位置签到数据，以筛选剔除一部分没有意义或者签到次数很少，关注度低的数据。当然，在具体实施时，本领域技术人员可以预设签到次数的阈值，执行流程时自动导入；

步骤1.3：检查众源位置签到数据的属性信息（如名称，地理坐标，签到人数等），信息是否齐全，去除属性信息不完整的所述的众源位置签到数据；因为可能有缺失的信息，可以预先建立一个标准格式来筛选出有效的众源位置签到数据，并且对需要进行保留的众源位置签到数据按照标准格式进行修改；

步骤1.4：对大量的重复位置签到数据进行数据合并处理，利用POI数据字典与位置签到数据进行比对识别，将对应于同一地理目标的不同别名、俗称与标准名称进行合并，以降低数据的冗余度；

步骤1.5：对众源位置签到数据根据其属性进行分类整理，完善签到数据的分类信息，根据整体情况确定类别数目以及每个类别所含众源位置签到数据的最小值，对于不满足要求的众源位置签到数据进行类别归并处理。

步骤2：进行众源位置签到数据地理配准并进行整体定位精度评定；

该步骤进一步包括以下子步骤：

步骤2.1：将众源位置签到数据、标准POI数据与底图统一坐标系；

步骤2.2：将众源位置签到数据与已有POI数据库按名称属性进行连接，提取出名称属性完全匹配的众源位置签到数据和对应POI数据；

步骤2.3：采用RANSAC算法对众源位置签到数据和对应POI数据的仿射变换关系模型进行估算，迭代出最优模型参数；

RANSAC算法为现有技术，为便于实施参考起见，现将实现过程简要说明如下：

预设迭代次数阈值N、内点判断参数diserror的阈值D，以及最少内点数阈值Z；将所有名称属性完全匹配的众源位置签到数据和对应POI数据作为点对样本，得到数据点对集S；

①从点对集S中随机选取4个点对样本，加入内点集Si(i=1,2,3……，N，表示当前的迭代次数)。

构建仿射变换模型M：

X=a₀+a₁x′+a₂y′，Y=b₀+b₁x′+b₂y′，

其中，a₀、a₁、a₂、b₀、b₁、b₂为仿射变换模型参数，x’，y’为众源位置签到数据的坐标值，X、Y为众源位置签到数据经仿射变换转换后得到的坐标值。本方法采用仿射变换公式作为模型，求解6个参数至少需要4个点对。根据这4个点对样本的坐标值，利用间接平差初始化仿射变换模型M，8个方程可以求解出6个未知的仿射变换模型参数，并得到拟合精度误差，将初始化所得模型设为最优模型，初始化所得拟合精度误差设为最小误差minerror；

②从数据点对集S中继续随机取出点对样本，如果点对样本的内点判断参数diserror小于阈值D，将该点对样本加入符合当前模型的内点集Si(i=1,2,3……，N，表示当前的迭代次数)。

内点条件阈值diserror具体确定公式为：

其中：temp1=X₂-a₀-a₁×x₁-a₂×y₁，temp2=Y₂-b₀-b₁×x₁-b₂×y₁，式中a₀、a₁、a₂、b₀、b₁、b₂为上述步骤①所得仿射变换模型参数，x₁与y₁代表位置签到数据的坐标值，X₂与Y₂代表与该位置签到数据对应的标准POI数据的坐标值；

③若内点集Si的大小超过了最少内点数阈值Z，则用当前内点集Si根据仿射变换模型M重新估计仿射变换模型参数并得到拟合的精度误差。如果得到的新的拟合精度误差小于当前最小误差minerror，则把当前内点集Si设为最优内点集，由它估计的模型为最优模型；如果得到的新的拟合精度误差不小于当前最小误差minerror，则认为当前内点集Si不是最优内点集，返回上述步骤①从数据点对集S中重新随机选取4个点对样本进行估计；

在经过N次迭代后，由当前最优的内点集Si估算得到的即为最优模型，输出模型参数。当然，在具体实施时，本领域技术人员可以根据精度需要仔细设置N值。

步骤2.4：利用仿射变换参数对位置签到数据进行整体地理配准。

步骤2.5：利用配准前后签到数据与对应的标准POI的距离偏差的均值和标准差作为整体定位精度评定的参数。

步骤3：进行众源位置签到数据匹配建模；

该步骤进一步包括以下子步骤：

步骤3.1：将所述的位置签到数据进行空间匹配，获取空间匹配度；

首先：将众源位置签到数据进行空间匹配，即以众源位置签到数据为中心，通过设定一定的距离建立点缓冲区，将缓冲区与现有的POI数据进行点面叠置分析，分析同时会关联相应属性表。具体实现可采用现有系统，例如ArcMap软件系统。同时考虑到可能存在多个众源位置签到数据对应同一标准POI数据点，使得缓冲区间有重合，此时不应将缓冲区合并；

接着：在空间匹配确定的缓冲区内进行属性匹配，对众源位置签到数据与缓冲区里面的已有POI数据集的属性信息进行匹配，主要是指要素名称的匹配。对于要素名称匹配可采用字符串法；

最后：将属性匹配成功的众源位置签到数据作为空间匹配成功的数据，对匹配结果进行统计分析，并计算空间匹配度作为空间匹配的指标，其计算公式如下：

空间匹配度=空间匹配点个数/实验数据总数×100%，

同时在需要时可以按照上式计算出各类别内的空间匹配度；

步骤3.2：对空间匹配失败的众源位置签到数据进行属性匹配，获得失败签到数据指标和属性匹配度，这一过程是对空间匹配未成功的签到点按名称在POI库中进行遍历搜索，以验证是否存在与其属性匹配的标准POI。如果不存在，该签到点即被认为是匹配失败的签到点，并统计这类点的数目，用该数目除以总的位置签到数据数目，获取失败签到数据指标；如果存在，则将这部分数据保存以便后续分析，同时计算属性匹配度作为空间匹配指标，其计算公式如下：

属性匹配度=属性匹配点个数/实验数据总数×100%，

同时在需要时可以按照上式计算出各类别内的属性匹配度。

步骤4：进行众源位置签到数据的类别精度评定；

该步骤进一步包括以下子步骤：

步骤4.1：对空间匹配成功数据与其对应的标准POI数据进行类别比较，统计出各类别中位置签到数据与相应标准POI类别匹配的数目；

步骤4.2：依次计算出各类别的类别匹配精度，公式如下：

类别匹配度=本类类别匹配点个数/本类中空间匹配成功的位置数据总数×100%。

步骤5：进行众源位置签到数据的定位精度评定：

该步骤进一步包括以下子步骤：

步骤5.1：利用空间匹配成功的众源位置签到数据，根据类别划分结果，计算出类别定位精度；即求出每个类别中空间匹配成功的众源位置签到数据与其对应的标准POI数据的距离，将所得距离求和，再将求的和除以该类中空间匹配成功点的数目得到类内距离偏差的均值，计算公式如下所示：

${\stackrel{\‾}{\mathrm{DIS}}}_a=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{DIS}}_a^i$

其中，

是类别为a的众源位置签到数据的距离偏差均值，

是类别a中第i条众源位置签到数据与其对应的标准POI点的距离值，n为类别a中匹配成功的众源位置签到数据的总数。

利用类内距离偏差均值便可按照如下公式求出类别定位精度：

${\mathrm{\θ}}_a=3\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{DIS}}_a^i-\stackrel{\‾}{{\mathrm{DIS}}_a})}^2}$

其中，θ_a从为类别a的类别定位精度，n为类别a中匹配成功的众源位置签到数据的总数，

是类别a中第i条众源位置签到数据与其对应的标准POI点的距离值，

是类别为a的众源位置签到数据的距离偏差均值；

步骤5.2：利用属性匹配成功的众源位置签到数据，计算出定位偏差均值以及类内定位偏差均值，从而进一步求解出整体定位精度的误差极大值，以及类内定位偏差的极大值。由于空间匹配失败而i属性匹配成功的众源位置签到数据，属于定位偏差较大或极大的点，用这些众源位置签到数据计算与其对应标准POI点间的距离并求和，再除以总的属性匹配成功的数目的所得整体定位偏差均值，计算公式如下：

$\stackrel{\‾}{\mathrm{DIS}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{DIS}}^i$

其中

为整体定位偏差均值，DISⁱ是属性匹配成功的数据中第i条众源位置签到数据与其对应的标准POI点之间的距离，n为属性匹配成功的众源位置签到数据的总数。

再的到整体定位偏差均值后便可以利用如下公式，计算出整体定位精度的误差极大值，公式如下：

$\mathrm{\θ}=3\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{DIS}}^i-\stackrel{\‾}{\mathrm{DIS}})}^2}$

其中θ为整体定位精度的误差极大值，n为属性匹配成功的众源位置签到数据的总数，DISⁱ是属性匹配成功的众源位置签到数据中第i条位置签到数据与其对应的标准POI点之间的距离，

为整体定位偏差均值。

同时将相同方法和计算公式用于各类别内部做处理便可以得到各类内部定位精度的误差极大值。

本发明的基本原理是通过对众源位置签到数据预处理、地理配准及求取整体定位精度、类别精度评定、定位精度评定等几个部分来实现对众源位置签到数据的质量进行科学的、合理的、客观的以及定性的分析，为使用众源位置签到数据来实现快速、准确地POI更新提供了保障。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种众源位置签到数据质量分析方法，其特征在于，包括以下步骤：

步骤1：进行众源位置签到数据预处理；

步骤2：进行所述的众源位置签到数据地理配准并进行整体定位精度评定；

步骤3：进行所述的众源位置签到数据匹配建模；

步骤4：进行所述的众源位置签到数据的类别精度评定；

步骤5：进行所述的众源位置签到数据的定位精度评定。

2.根据权利要求1所述的众源位置签到数据质量分析方法，其特征在于：所述的步骤1进一步包括以下子步骤：

步骤1.1：根据标准兴趣点数据的覆盖范围对所述的众源签到数据进行裁剪；

步骤1.2：去除签到次数未达到阈值的所述的众源位置签到数据；

步骤1.3：去除属性信息不完整的所述的众源位置签到数据； 

步骤1.4：对重复的所述的众源位置签到数据进行合并处理；

步骤1.5：对所述的众源位置签到数据根据其属性进行分类整理。

3.根据权利要求1所述的众源位置签到数据质量分析方法，其特征在于：所述的步骤2进一步包括以下子步骤：

步骤2.1：将所述的位置签到数据、标准兴趣点数据与底图统一坐标系；

步骤2.2：提取出名称属性完全匹配的所述的位置签到数据和兴趣点数据库中对应兴趣点数据，得到数据点对集；

步骤2.3：根据所述的数据点对集，采用RANSAC算法对所述的位置签到数据和对应兴趣点数据的仿射变换关系模型进行估算，迭代出最优模型参数；

步骤2.4：利用仿射变换参数对所述的位置签到数据进行整体地理配准；

步骤2.5：利用配准前后所述的位置签到数据与对应兴趣点的距离偏差均值和标准差作为整体定位精度评定的参数。

4.根据权利要求1所述的众源位置签到数据质量分析方法，其特征在于：所述的步骤3进一步包括以下子步骤：

步骤3.1：将所述的位置签到数据进行空间匹配，获取空间匹配度；

步骤3.2：对空间匹配失败的众源位置签到数据进行属性匹配，获得所述的失败签到数据指标和属性匹配度。

5.根据权利要求1所述的众源位置签到数据质量分析方法，其特征在于：所述的步骤4进一步包括以下子步骤

步骤4.1：对空间匹配成功的众源位置签到数据与其对应的标准兴趣点数据进行类别比较；

步骤4.2：计算出各类别的类别匹配精度。

6.根据权利要求1所述的众源位置签到数据质量分析方法，其特征在于：所述的步骤5进一步包括以下子步骤：

步骤5.1：利用空间匹配成功的众源位置签到数据，根据类别划分结果，计算出类别定位精度；

步骤5.2：利用属性匹配成功的众源位置签到数据，计算出定位偏差均值以及类内定位偏差均值，从而进一步求解出整体定位精度的误差极大值，以及类内定位偏差的极大值。

Images