CN115618860A - 融合lbs兴趣点多维属性与空间关系的词云生成方法及系统 - Google Patents

Abstract

本发明公开一种融合LBS兴趣点多维属性与空间关系的词云生成方法及系统，所述方法包括：根据用户数据确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；将每个兴趣点的名称转换为文字符号构建LBS词云，将用户位置对应的文字符号作为LBS词云的中心词；根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心‑力导向模型，根据中心‑力导向模型的斥力对每个文字符号的位置进行动态调整；根据中心‑力导向模型的引力进行LBS词云布局优化。本发明将词云的思想用于LBS兴趣点的可视化，通过用户位置与兴趣点的相对位置关系决定词云中文字符号的位置，形成的LBS词云实现了LBS兴趣点的多维属性与空间关系的一体化高效表达。

Description

融合LBS兴趣点多维属性与空间关系的词云生成方法及系统

技术领域

本发明属于兴趣点的可视化技术领域，具体涉及一种融合LBS（Location-basedService，基于位置的服务）兴趣点多维属性与空间关系的词云生成方法及系统。

背景技术

兴趣点（Point of Interest, POI）代表着现实世界真实存在的地点，一座机场、一处旅游景点、一个房产小区都可称之为一个兴趣点，它通常包含具体的空间位置以及属性信息。在LBS服务中，人们最关注的就是周边有哪些兴趣点，因此高效的LBS兴趣点可视化对人们认知周边环境具有重要意义。

LBS兴趣点的获取主要利用有定位功能的移动智能终端，以用户“当前所在位置”为中心，检索其周围一定范围内、具备特定功能的兴趣点，例如加油站、旅游景点、餐馆等。不同的用户获得的检索结果并不相同，主要取决于用户位置、当前场景下的用户需求以及个性化偏好；同时LBS兴趣点本身也具有多维属性信息，如营业时间、人均价格、特色产品等。因此，LBS兴趣点的可视化并非是单纯的展示“兴趣点在哪里”，而是要综合兴趣点的数量质量特征、空间位置特征及相互关系寻求最优的可视化方法，帮助用户快速认周边环境。

目前LBS兴趣点可视化主要采用“列表+地图”的方法。列表使用图片、文字及数字等符号逐一描述每个兴趣点，例如以美团、大众点评为代表的生活服务电子商务平台对兴趣点的检索结果通过将图片和文字描述以列表的形式去呈现。虽然列表可以表达兴趣点丰富的属性信息，但是缺乏直观的地理表达，用户很难理解兴趣点的分布及其与自身位置的关系。虽然部分现有技术也引入了地图来辅助表达兴趣点的空间分布，比如公开号为CN104035947A的专利公开了一种兴趣点推荐方法及装置、获取推荐兴趣点的方法及装置，可以基于用户位置以列表的形式返回兴趣点的位置信息，但需要用户在列表和地图之间频繁切换，人机交互的负担较重。

地图使用图标及名称注记标识每个兴趣点，能够展示兴趣点的空间分布及其与用户位置的关系，例如百度、高德、腾讯等互联网地图通常根据兴趣点的空间位置将其名称标签标记在地图上，并放置图标进行混搭。公开号为CN101917664A的专利也公开了确定用户兴趣点并通过电子地图向用户发送与其兴趣点相关信息。这种方式也存在一定的局限性，1）首先，混搭会导致性能显著下降，用户的浏览器可能会在一段时间内无响应，占用的内存也会急剧增加，在地图中可视化大量图标也会带来高传输负载，这对于连接速度较慢的移动应用程序可能导致运行效率变低；2）在地图中可视化大量图标通常会导致内容混乱等问题，图标会相互重叠，甚至可能掩盖其他重要的地图要素，例如道路和地名，当地图从较大比例尺切换为较小比例尺时，混乱问题会变得更为严重，造成地图的可读性降低，从而不利于用户浏览地图上的兴趣点数据；3）由于地图可读性的要求，地图上可同时展示的兴趣点的类型和数量均十分有限，不利于用户对周边环境的完整认知。

因此寻找一种高效的LBS兴趣点可视化表达方法，以提高在LBS场景下的地图认知效率，是亟待解决的问题。

发明内容

有鉴于此，本发明提出了一种融合LBS兴趣点多维属性与空间关系的词云生成方法及系统，用于解决LBS场景下的兴趣点的可视化展示性能不佳的问题。

本发明第一方面，公开一种融合LBS兴趣点多维属性与空间关系的词云生成方法，所述方法包括：

根据用户数据确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；

将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；

根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整；

根据中心-力导向模型的引力进行LBS词云布局优化。

在以上技术方案的基础上，优选的，所述兴趣点的多维属性数据包括：

兴趣点ID、兴趣点名称、兴趣点类型、兴趣点定量评价、兴趣点经度和兴趣点纬度；兴趣点定量评价为与兴趣点相关的任意一种定量属性，包括人均消费价格、景点等级或兴趣点评分。

在以上技术方案的基础上，优选的，所述将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词具体包括：

提取代表用户位置的地名，并生成对应的用户文字符号作为中心词，将中心词放置到屏幕的中心位置；

提取兴趣点的名称，生成对应的兴趣点文字符号，使所有的兴趣点文字符号的位置与中心词保持中心重合。

在以上技术方案的基础上，优选的，所述兴趣点文字符号的字号尺寸与兴趣点的多维属性数据中的兴趣点定量评价正相关，兴趣点文字符号的字号尺寸的计算公式为：

上式中F为兴趣点文字符号的字号尺寸，P为兴趣点文字符号所对应的兴趣点的定量评价数据，f为比例系数，计算如下：

其中，

分别为所有文字符号的字体的最大尺寸和最小尺寸，

分别为所有兴趣点的定量评价数据中的最大值和最小值。

在以上技术方案的基础上，优选的，所述中心-力导向模型的斥力定义为：

上式中，

和

分别为斥力在X方向和Y方向的分作用力，

为用户位置的真实地理坐标，

为兴趣点文字符号i所对应兴趣点的真实地理坐标，

为方向力强度，

，n为兴趣点的数量。

在以上技术方案的基础上，优选的，所述中心-力导向模型的引力定义为：

其中，

和

分别为引力在X方向和Y方向上的分作用力，

为引力的强度系数，

，

和

分别为中心词k和兴趣点文字符号i在屏幕二维空间所在位置的横坐标。

在以上技术方案的基础上，优选的，所述根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整或根据中心-力导向模型的引力进行LBS词云布局优化时，兴趣点文字符号i在引力a或斥力r的作用下在时间的位移量

为：

其中，

为兴趣点文字符号i在t时刻下的速度，

为兴趣点文字符号i在t时刻下所受到的斥力或者引力，所述斥力为X方向和Y方向的分作用力

和

的合力，所述引力为X方向和Y方向的分作用力

和

的合力，

为单词i的质量。

在以上技术方案的基础上，优选的，所述方法还包括：根据兴趣点的多维属性数据进行LBS词云的颜色配置，所述根据兴趣点的多维属性数据进行LBS词云的颜色配置具体包括：

根据兴趣点经纬度和电子地图，计算由用户位置到各个兴趣点的交通通行时间，并按照时间的长短进行排序分级，按照排序分级结果为兴趣点文字符号赋予不同的颜色。

本发明第二方面，公开一种融合LBS兴趣点多维属性与空间关系的词云生成系统，所述系统包括：

数据采集模块：用于根据用户位置确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；

词云初始化模块：用于将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；词云布局调整模块：根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整；根据中心-力导向模型的引力进行LBS词云布局优化；

词云颜色配置模块：用于根据兴趣点的多维属性数据进行LBS词云的颜色配置。

本发明相对于现有技术具有以下有益效果：

1）本发明将词云的思想用于LBS兴趣点的可视化，将用户位置加入到词云的布局中，通过用户位置与兴趣点的相对位置关系决定词云中兴趣点文字符号的位置，引入中心-力导向模型中的斥力和引力模拟兴趣点所对应文字符号的移动轨迹，保证在布局前后，兴趣点与用户位置点相对位置关系的一致性以及整体布局的紧凑性，从而使得有限的屏幕范围可以容纳更多的兴趣点，帮助用户形成对周边位置更加完整的感知及认知；

2）本发明提出的LBS词云可以通过文字符号的相对位置直观的展示用户周边兴趣点的空间分布，可重点突出用户关注的兴趣点属性信息，有效表达用户位置和兴趣点之间的联系紧密度或者关联强度；在同一个用户界面下包含了空间分布、属性及关系信息，用户不必切换界面，相比常规“列表+地图”的方法具有明显的优势；

3）本发明在进行LBS词云布局时，选取颜色和尺寸这两个参量作为文字符号的视觉变量去表现兴趣点丰富的属性信息，实现了LBS兴趣点的多维属性与空间关系的一体化高效表达，避免了图标混搭引起的图面信息冗余及可读性低的问题；同时，LBS词云仅包括文字符号，不包括图形符号，传输和绘制效率更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种融合LBS兴趣点多维属性与空间关系的词云生成方法流程示意图；

图2为本发明提供的武汉大学周边景点类兴趣点的LBS词云图；

图3为百度地图显示的武汉大学周边景点类兴趣点的分布图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

词云（或标签云）是一种直接使用文字符号进行视觉表达的可视化方法，常用于表示文本资料中的主题词或关键词。根据主题词的类别、出现频率及重要性等信息，词云为每个主题词对应的文字符号赋予相应的字号、字形、字体颜色及字体方向等视觉属性，并将文字符号无重叠的展布于二维或三维空间。通常，文字符号的字号对应主题词的出现频率，即文字越大表示该主题词的出现频率越高。词云中的每个文字符号都有一定的位置与范围，但这个位置一般是随机的。本发明创造性地将词云的思想用于LBS兴趣点的可视化，提出一种LBS词云将用户位置加入到词云的布局中，通过用户位置与兴趣点的相对位置关系决定词云中文字符号的位置，同时利用文字符号的多种视觉变量去表现兴趣点丰富的属性信息，从而实现了LBS兴趣点的多维属性与空间关系的一体化高效表达。

请参阅图1，本发明提出一种融合LBS兴趣点多维属性与空间关系的词云生成方法，所述方法包括：

S1、根据用户数据确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据。

具体的，用户数据主要包括用户位置和用户输入的查询条件。根据用户位置确定用户感兴趣及关注的目标区域，根据用户输入的查询条件，确定用户关注的兴趣点类型。综合考虑目标区域和兴趣点类型采集兴趣点的多维数据，结果以表格的形式存储。如表1所示，兴趣点的多维属性数据包括：兴趣点ID、兴趣点名称、兴趣点类型、兴趣点定量评价、兴趣点经度和兴趣点纬度、景点评级、人均价格等。其中，兴趣点类型包括餐馆、景点、酒店、商场、学校、游乐场、公园等。兴趣点定量评价为与兴趣点相关的任意一种定量属性，比如人均消费价格、景点等级或兴趣点评分等定量评价数据。

表1 兴趣点的多维属性数据

S2、将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；步骤S2主要用于LBS词云初始化，具体包括如下步骤：

提取可以代表用户位置的地名，并生成对应的文字符号，记为用户文字符号，将该用户文字符号作为中心词，将中心词放置到屏幕的中心位置；

提取兴趣点的名称，生成对应的文字符号，记为兴趣点文字符号，设置兴趣点文字符号和用户文字符号的字体和字号尺寸，使所有的兴趣点文字符号的位置与中心词保持中心重合。其中兴趣点文字符号和用户文字符号的字体默认采用黑体，兴趣点文字符号的字号尺寸与兴趣点的多维属性数据中的兴趣点定量评价正相关。

根据研究发现，保持可读性的最小字体尺寸在12磅，转换为像素大小为16px；为了突出中心词的显著效果，兴趣点文字符号夫人最大字号尺寸必须小于用户位置点所对应用户文字符号的字号尺寸。

因此，兴趣点的多维属性数据与兴趣点文字符号的字号尺寸的转换关系为：

上式中F为兴趣点文字符号的字号尺寸，f为比例系数，P为兴趣点文字符号所对应的兴趣点的一种定量评价数据，以兴趣点评分为例，比例系数f的计算如下：

其中，

分别为所有文字符号的字号的最大尺寸和最小尺寸，可预先设置。

分别为所有兴趣点的兴趣点评分中的最大值和最小值。

至此已完成LBS词云初始化。需要指出的是，所有和兴趣点评分类似的定量属性都可以用于LBS词云的初始化。

S3、根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整。

为了解决压盖冲突的问题，防止不同文字符号彼此重叠发生遮挡，影响其视觉表达效果，需要对兴趣点文字符号进行碰撞检测。

本发明利用力导向模型，对兴趣点文字符号施加斥力和引力，推动兴趣点文字符号移动至合适的位置。

根据用户位置的地理坐标以及兴趣点的地理坐标建立结合用户位置的中心-力导向模型，根据用户位置和兴趣点位置来计算每个兴趣点所受到的斥力，兴趣点文字符号在斥力的作用下向外移动，当移动到不与任何文字符号发生冲突时，则停止。该中心-力导向模型的斥力定义为：

上式中，

和

分别为斥力在X方向和Y方向的分作用力，

为用户位置的真实地理坐标，

为兴趣点文字符号i所对应兴趣点的真实地理坐标，

为方向力强度，

，n为兴趣点的数量。

根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整时，兴趣点文字符号i在斥力r的作用下在时间的位移量

为：

其中，

为兴趣点文字符号i在t时刻下的速度，此时

为兴趣点文字符号i在t时刻下所受到的斥力，所述斥力为X方向和Y方向的分作用力

和

的合力，

为兴趣点文字符号i的质量。

S4、根据中心-力导向模型的引力进行LBS词云布局优化。

所述中心-力导向模型的引力定义为：

其中，

和

分别为引力在X方向和Y方向上的分作用力，

为引力的强度系数，根据兴趣点数量n确定，

，

和

分别为中心词k和兴趣点文字符号i在屏幕二维空间所在位置的横坐标，i=1,2,…,n。

根据中心-力导向模型的引力进行LBS词云布局优化时，兴趣点文字符号i在引力a的作用下在时间的位移量

为：

其中，

为兴趣点文字符号i在t时刻下的速度，此时

为兴趣点文字符号i在t时刻下所受到的引力所述引力为X方向和Y方向的分作用力

和

的合力，

为兴趣点文字符号i的质量。

假设任意单位时间步长Δt= 1，所有的单词质量均为常量1，则上式可进一步简化为：

为了在有限的屏幕范围内显示更多的兴趣点，本发明基于中心-力导向模型的引力对LBS词云进行二次调整，二次调整的主要目的是使整体词云布局靠拢收缩，进一步优化LBS词云布局，从而提高整体的空间利用率。

S5、根据兴趣点的多维属性数据进行LBS词云的颜色配置。

根据兴趣点经纬度，调用公共电子地图服务开放的API，计算由用户位置到各个兴趣点的交通通行时间，并按照时间的长短进行排序分级，按照排序分级结果为兴趣点文字符号赋予不同的颜色。一般来说，颜色要体现明显的级别变化。需要指出的是，所有能表示用户位置和兴趣点关系的定量属性，都可以用来进行LBS词云的颜色配置，比如欧氏距离、路网距离、通行时间、交通流量或交互强度等。

下面通过实施例，并结合附图和附表，对本发明的方法进行可行性验证实验：

由于LBS兴趣点的获取往往基于用户当前位置，在数据收集方面，本发明模拟了用户对兴趣点的检索行为。设置了一个假定的用户当前位置点，将该位置点坐标输入到带有LBS功能的地图应用程序中，从而获取到该位置点附近的兴趣点相关信息，从中提取有兴趣点多维属性信息，包括兴趣点名称、兴趣点类型、兴趣点点评、兴趣点经纬度等，将其一一对应存储到属性表中保存。本实施例在试验中，利用百度地图获取了武汉大学周边140个景点类兴趣点的信息，并利用百度地图的路径导航API计算了武汉大学到这些兴趣点的通行时间，然后通过本发明所提出的方法生成相应的LBS词云布局。

基于以上方法，本发明采用JavaScript编程语言实现中心-力导向模型的构建，然后基于D3.js将词云结果可视化。并且采用4了种统计指标：紧凑度、方向保持度、显示兴趣点数量、属性个数，统计LBS词云所得结果。其中紧凑度CI来表示词云布局中所有单词所占据的区域占总体区域的比例，较大的CI值则说明布局中的空白区域越少，表明中心度词云拥有较好的布局覆盖率。方向保持度OR表示兴趣点与中心点的相对位置以及不同兴趣点之间的相对位置关系，值越大说明在空间布局对兴趣点的空间关系表达越准确。

如图2所示为本发明提供的武汉大学周边景点类兴趣点的LBS词云图。其中，文字符号的颜色代表从武汉大学到周边景点的公共交通出行时间，同时在右下角用图例说明了颜色和时间的对应关系；文字符号的位置代表了景点的大概地理位置；文字符号的大小代表景点受欢迎程度，尺寸越大意味着评分越高、越受欢迎，前往游玩的人越多，尺寸越小表明该兴趣点的游玩热度很低。在图2中，位于武汉大学用户即可快速掌握周边有哪些景点、这些景点的受欢迎程度怎么样、去往这些景点大概需要多长时间等。

图3所示为现有技术中百度地图显示的武汉大学周边景点类兴趣点的分布图，在图3中，百度地图主要通过圆点符号和数字标记符号来表示兴趣点，但当前可见的地图尺度下，部分兴趣点符号相互重叠，地图的可读性不高；用户若想查看感兴趣的景点，可能需要多次地图平移或者缩放操作；地图上仅有圆点符号和数字标记符号，缺乏景点名称注记，用户需要在左侧列表和右侧地图中反复切换；当用户想具体了解兴趣点的属性信息时，需要点击兴趣点图标后在左侧列表显示，这也不可避免的对用户查看浏览行为产生负担；同时地图将基础地理信息要素全部叠加展示，图面内容冗杂繁杂，这也导致用户无法快速地捕捉到关键信息。

为了更好比较不同可视化表达方式的影响，统计LBS词云及百度地图相关实验数据进行定量评价，得到如表2所示的POI可视化结果评价指标：

表2 LBS词云及百度地图对景点POI可视化结果评价指标

通过表2可知，通过本发明的LBS词云来对兴趣点可视化的紧凑度较高达0.54，远高于地图表达的紧凑度，说明LBS词云相较于地图表达能够在有限屏幕范围下显示数量更多的兴趣点信息。在空间关系的表达上，两种方法个体方向保持都均为1，说明二者都能较好的保留兴趣点与用户位置的相对方向关系。在显示兴趣点的数量上，LBS词云能够较完整的显示140个兴趣点，而百度地图由于受到信息多尺度分层次表达的影响，无论在什么尺度下都无法在有限的屏幕范围下显示所有的兴趣点，比如图3中的圆点符号和数字标记符号加起来约为30个。针对属性表达上，本发明的LBS词云能够利用不同的文字视觉变量（位置、颜色、尺寸），呈现3类兴趣点属性（分布方位、通行时间、受欢迎程度），而地图只能表示标记兴趣点的类别。

本发明以“点要素”表征的位置大数据为突破口，以空间关系、空间认知与地图可视化理论为基础，将词云的思想应用到LBS兴趣点信息可视化，提出了一种融合LBS兴趣点多维属性与空间关系的词云生成方法及系统，简称LBS词云。LBS词云实现了专题属性信息与空间位置信息的耦合表达，本发明所生成的布局能在当前可见范围内，尽可能将更多的兴趣点信息显示出来，用户无需对图层频繁缩放，不受到地图尺度对内容呈现的约束，用户无需任何操作即可查看到任何一个兴趣点。而且通过组合符号的视觉变量，使得文字符号所传达的信息更加丰富，用户可以了解一定时间内可以到达的景点有哪些以及距离自己较近且比较受欢迎的景点，从而为出行游玩提供更加直观参考。并且通过表2的一系列系列定量评价指标，可以说明本发明所提出的方法，在兴趣点信息可视化表达上，布局更紧凑，显示数量更完整，表现属性更丰富，因此说明本发明所提出的一种顾及LBS兴趣点多维度信息表达的词云生成方法具有较好实用性。

本发明的方法也可集成到前端可视化平台，用于对LBS兴趣点可视化表达，提供给用户更加便捷的使用体验，并支持用户位置的选取，视觉变量的自定义修改，兴趣点类别、属性的选择。

与上述方法实施例相对应，本发明提出一种融合LBS兴趣点多维属性与空间关系的词云生成系统，所述系统包括：

数据采集模块：用于根据用户位置确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；

词云初始化模块：用于将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；

词云布局调整模块：根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个文字符号的位置进行动态调整；根据中心-力导向模型的引力进行LBS词云布局优化；

词云颜色配置模块：用于根据兴趣点的多维属性数据进行LBS词云的颜色配置。

以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可。

Claims (9)

1.一种融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述方法包括：

根据用户位置确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；

将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；

根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整；

根据中心-力导向模型的引力进行LBS词云布局优化。

2.根据权利要求1所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述兴趣点的多维属性数据包括：

兴趣点ID、兴趣点名称、兴趣点类型、兴趣点定量评价、兴趣点经度和兴趣点纬度；兴趣点定量评价为与兴趣点相关的任意一种定量属性，包括人均消费价格、景点等级或兴趣点评分。

3.根据权利要求2所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词具体包括：

提取代表用户位置的地名，并生成对应的用户文字符号作为中心词，将中心词放置到屏幕的中心位置；

提取兴趣点的名称，生成对应的兴趣点文字符号，使所有的兴趣点文字符号的位置与中心词保持中心重合。

4.根据权利要求3所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述兴趣点文字符号的字号尺寸与兴趣点的多维属性数据中的兴趣点定量评价正相关，兴趣点文字符号的字号尺寸的计算公式为：

上式中F为兴趣点文字符号的字号尺寸，P为兴趣点文字符号所对应的兴趣点的定量评价数据，f为比例系数，计算如下：

其中，

分别为所有文字符号的字体尺寸中的最大尺寸和最小尺寸，

分别为所有兴趣点的定量评价数据中的最大值和最小值。

5.根据权利要求1所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述中心-力导向模型的斥力定义为：

其中，

和

分别为斥力在X方向和Y方向的分作用力，

为用户位置的真实地理坐标，

为兴趣点文字符号i所对应兴趣点的真实地理坐标，

为方向力强度，

，n为兴趣点的数量。

6.根据权利要求5所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述中心-力导向模型的引力定义为：

其中，

和

分别为引力在X方向和Y方向上的分作用力，

为引力的强度系数，

，

和

分别为中心词k和兴趣点文字符号i在屏幕二维空间所在位置的横坐标。

7.根据权利要求6所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整或根据中心-力导向模型的引力进行LBS词云布局优化时，兴趣点文字符号i在引力a或斥力r的作用下在时间的位移量

为：

其中，

为兴趣点文字符号i在t时刻下的速度，

为兴趣点文字符号i在t时刻下所受到的斥力或者引力，所述斥力为X方向和Y方向的分作用力

和

的合力，所述引力为X方向和Y方向的分作用力

和

的合力，

为兴趣点文字符号i的质量。

8.根据权利要求2所述的融合LBS兴趣点多维属性与空间关系的词云生成方法，其特征在于，所述方法还包括：根据兴趣点的多维属性数据进行LBS词云的颜色配置，所述根据兴趣点的多维属性数据进行LBS词云的颜色配置具体包括：

根据兴趣点经纬度和电子地图，计算由用户位置到各个兴趣点的交通通行时间，并按照时间的长短进行排序分级，按照排序分级结果为兴趣点文字符号赋予不同的颜色。

9.一种融合LBS兴趣点多维属性与空间关系的词云生成系统，其特征在于，所述系统包括：

数据采集模块：用于根据数据位置确定用户关注的目标区域以及兴趣点类型，采集兴趣点的多维属性数据；

词云初始化模块：用于将每个兴趣点的名称转换为兴趣点文字符号构建LBS词云，将用户位置对应的用户文字符号作为LBS词云的中心词；

词云布局调整模块：根据每个兴趣点位置和用户位置的空间关系，建立结合用户位置的中心-力导向模型，根据中心-力导向模型的斥力对每个兴趣点文字符号的位置进行动态调整；根据中心-力导向模型的引力进行LBS词云布局优化；

词云颜色配置模块：用于根据兴趣点的多维属性数据进行LBS词云的颜色配置。

Images