簡單的基於地理圖片的旅行路線還原

在學校時關注基於地理信息的數據挖掘已久，畢業后幾無涉足。本文小結當時的一些工作——基於帶地理信息的圖片的旅行路線還原，也就是通過人們分享的少量圖片，還原出用戶旅行時的完整的旅行路線。主要方法是先基於HMM的Viterbi算法，解碼出用戶旅行時的景點路線，之后通過景點間選取均值的方法，還原出用戶完整的旅行路線。內容比較實用有趣，感興趣的同學可以更多探索。

    隨着信息技術的發展和人們生活水平的提高，使得旅游業爆炸式發展，個性化的和自助式的旅游越來越得到人們的歡迎，在線旅游服務(Online Travel Service, OTS)也已經成為旅游業發展的一個趨勢，在發達國家，OTC占整個旅游收益的40%左右，國內也超過5%，而且正以非常迅猛的速度增長。然而OTC本應是食、住、行、游、購、娛等的組合體，目前OTC企業(如Expedia，Qunar等)都着重於“住”和“行”之上的在線旅游預訂方面，雖然仍然提供淺顯的旅行攻略與檢索，但是均無法與位置結合，也難以滿足個性化的需求，均十分缺少創新的內容。

    在另一方面，由於GPS的發展和普及，特別是GPS在各種手持終端(如手機、PDA、數碼相機等)上的應用，業界通過UGC的方法獲取大量蘊含地理信息共享資源，例如Google latitude和Foooooot上共享的GPS路線，Flickr、Panoramio等的帶GPS信息的圖片。在Geo圖片共享方面，Geo圖片與地理位置的結合既能便於平台的數據維護，也有益於增強用戶體驗，導致各大網站上的Geo圖片增長速度非常快，其Geo圖片量都數以億計，同時也給這些圖片共享網站帶來了新的活力，對於Qzone、Weibo和Facebook上更為便捷的圖片分享，其量更難以估量。由於Geo圖片所攜帶的Geo信息都是攝影者的拍照構圖時所選的位置，而且共享到網站上的圖片大都經過了人們的篩選，這樣，可以認為這些共享的圖片Geo信息均為生活或旅行中的興趣點(Interest of Point, POI)，圖1中左圖為人們在Flickr上共享的位於北京市的24多萬張Geo圖片(2008年至2010年)的Geo點位圖，圖1中右圖為Flickr上共享的位於頤和園內的10498張Geo圖片(2008年到2011年)的Geo點位圖，可以非常清晰地看出：絕大部分圖片都是在旅游景區中拍攝的，在具體的景區中，圖片又朝熱門景點集聚。

    本文正是根據這些Geo圖片，還原用戶完整的旅行路線的。

圖1. 北京市內的Geo圖片和頤和園內的Geo圖片的位置圖

1 景點聚類

1.1數據清洗

    在Flickr上，為了更好地組織數據結構，都建議用戶共享帶Geo信息的圖片，但圖片中的Geo信息都是由硬件設備(如嵌GPS芯片的智能手機和數據相機)帶來的，對於本身不帶Geo信息的圖片，官方提供地圖接口，可以自定義地理位置。而對於用戶來說，自定義地理標注能使其圖片更容易被搜索，也能提高交互的感覺，因而大多數用戶都願意標注地理信息。然而，這些自標注的Geo信息並不滿足旅行路線還原的精度，嚴重影響實驗結果。人們在標注地理信息時，大都是將同一相冊中的大量圖片標注在同一個地點上，因而我們可以根據相冊圖片的地理坐標含信息量的多少進行判斷。信息論中的“信息熵”能表示變量不確定性的大小，如下公式所示，隨機變量P(x)越離散，信息商H(X)將越大，進一步可將H(X)歸一化成U(X)。通過一定的閾值控制，可對自標注圖片進行篩選。

1.2景點聚類

    絕大部分圖片都是隨人的主觀意志拍攝的，雖然人們存在喜好不同，但都有對美的追求，景區中的好的景致(景點)總能吸引到大家的駐足留影，對於平淡的景致，自然游客就十分稀寥，留下的圖片也就少了。而且某處照片的多少，用戶的多少都能比較好地反映人們對此景點的興趣度。從圖1中，可以明顯地看出頤和園內游客基本上聚在東北宮廷建築區域，在廣闊的耕織園區和蘇堤之上，游客比較稀少，同時也可以看出，圖片明顯地聚集於各景點。

圖2. 頤和園內的景點聚類圖

    密度聚類算法(Density-Based Spatial Clustering of Applacations with Noise, DBSCAN)能把具有足夠高密度的Geo點的區域划分出來，並可以在帶有噪聲的空間數據集中發現任意形狀的聚類，因而DBSCAN十分契合從景區Geo圖片中抽取景點。同時不同的密度參數，可以抽取出不同粒度的景點(或景區)。圖2中的黃點便是通過DBSCAN在頤和園內聚類出的景點信息。

2 路線還原 

2.1景點路線識別

    HMM是一種用於描述隨機過程統計特性的概率模型。它是一個雙重隨機過程，即由馬爾可夫鏈和一般隨機過程兩個部分組成。其中馬爾可夫鏈用來描述狀態的遷移，用遷移概率描述；一般隨機過程用來描述狀態與觀察序列間的關系，用觀察值概率描述。其形式化定義是：HMM是一個五元組 μ=(S, K, P, A, B) ，其中 S是狀態的集合，K是輸出字符的集合，P是初始狀態的概率，A是狀態轉移的概率。B是輸出字符的概率分布。

    在此，將聚類出的景點當成隱含狀態S，K為Geo圖片點，B可通過Geo點距離景點中心遠近刻畫，(P、A不述)，通過HMM的Viterbi算法，便可以由用戶的Geo圖片序列——觀測序列，解碼出用戶旅行時的景點序列。

圖3. 景點間Mean還原圖

2.2 均值還原

    由於用戶上傳的Geo圖片十分有限，從而通過HMM的Viterbi算法得出的景點路線序列也是十分粗糙。Mean值能反映整體樣本的傾向特征，體現某一樣本空間中期望的取值。其算法思想如圖3所示，在Sight A和Sight B間進行旅行路線還原，先求AB為直徑的圓內的所有Geo點的Mean值(以AB為直徑圓可以理解為給定起始位置后，人們的主要活動范圍)，如果滿足閾值條件，路線還原結束，否則將此Mean值點當成還原點C，這樣在圖3中將路線AB擬合成ACB，再將ACB擬合成ADCEB，顯然，通過擬合后，路線更加平滑，由Mean值的物理意義，可以知道，還原后的路線正是大眾路線的方向。

    圖4為頤和園內某用戶的旅行路線還原圖，旗幟外為該用戶共享Geo的圖片點，共7張Geo圖片，通過景點還原，還原出的路線如綠線所示，通過Mean值還原，路線如紅線所示。景點路線能賦予旅行路線更多的意義，均值還原的路線可以使路線更符合用戶的感觀。

圖4. 頤和園內某用戶旅行路線還原圖

3 實驗分析

    對於提出的基於Geo圖片的路線還原方法，最難的在於方法評估，客觀數據中，基本不存在既有人們旅行時的完整旅行Gps路線記錄，同時又拍攝對應的Geo圖片分享的數據，從而十分難以衡量路線還原方法的好壞。在此通過對個人GPS軌跡進行關鍵區域(Significant Region, SR)識別，用以模擬Geo圖片，用於分析評估路線還原方法。

    在旅行時，人們在SR處，例如景致美觀的地方，人們行走的速率將會減小，甚至停下來觀賞，在某些景點處，人們甚至會回環着觀賞，因而SR的識別中，速率v的變化和角度q的變化將是十分重要的，在此引入長角率(Length Angle Ratio, LAR)來衡量SR與v和q的關系，LAR的定義如下公式所示，這樣，LAR值越大，說明此處越重要，通過對LAR進行域值限定，便可得到重要區域路線(Significant Region Route, SRR)，如圖5所示，便為一條GPS軌跡的SR識別過程，左圖為完整的GPS軌跡，右圖為通過LAR計算后，滿足閾值的LAR點組成的SRR。對於Geo點，大都是人們停下來時拍攝的，其中還伴隨着人們對圖片選景、角度等的斟酌和焦距、曝光度等的調節，因而如果同時記錄下了完整的GPS軌跡時，絕大部分Geo點的LAR值都十分大，當將LAR閾值設定足夠大時，識別出來的SRR完全可以當成是一個用戶的Geo圖片序列S，而且對SRR應用我們提出的路線還原方法的，得到的還原路線與原GPS路線進行比較，便可以判斷還原路線的好壞。

圖5. 個人GPS的SRR識別

    在實驗評測中，將由比較SRR還原出來的路線和原GPS路線，通過刻畫兩者的相似關系來對衡量方法的好壞。

    由圖6左圖所示，Router1和Route2為地理空間中的兩條軌跡，直觀地說，如果Route1和Route2的之間的面積越小(也就是圖中陰影部分面積越小)，Route1和Route2越相似。在圖6右圖中給出了相似度(Sim)的定義，圖中綠線為GPS路線，紅線為還原路線，Sim定義為1-（路線間的面積和AB圓域面積的比值），也就是如圖中陰影部分的面積比上以AB為直徑的圓域面積，這樣Sim越大，兩路線越相似。通過對41條完整的GPS軌跡進行實驗測試，最后的平均相似度達82.3%。

圖6. 路線相似度比較  

----------------------