رویکردی جدید برای اندازه‌گیری شباهت مسیرهای معنایی داخلی

چکیده

مردم بیش از 80 درصد از زمان خود را در فضاهای داخلی مانند مراکز خرید و ساختمان های اداری می گذرانند. مسیرهای داخل ساختمان جمع آوری شده توسط دستگاه های موقعیت یابی داخلی، مانند دستگاه های WiFi و بلوتوث، می توانند رفتارهای حرکتی انسان در فضاهای داخلی را منعکس کنند. با استفاده از روش های مختلف خوشه بندی می توان الگوهای حرکتی درونی داخلی را از مسیرهای داخل ساختمان کشف کرد. این روش ها بر اساس معیاری هستند که میزان شباهت بین مسیرهای داخلی را نشان می دهد. محققان بسیاری از معیارهای شباهت مسیر را پیشنهاد کرده اند. با این حال، اندازه‌گیری‌های مشابه مسیر موجود، محدودیت‌های حرکتی فضای داخلی تحمیل‌شده توسط فضای داخلی و ویژگی‌های حسگرهای موقعیت‌یابی داخلی را نادیده می‌گیرند، که منجر به اندازه‌گیری نادقیق شباهت مسیر داخلی می‌شود.
دوره-آموزش-حرفه-ای-gis
علاوه بر این، بیشتر این آثار بر ابعاد مکانی و زمانی مسیرها تمرکز دارند و کمتر به اطلاعات معنایی داخلی توجه دارند. ادغام اطلاعات معنایی داخل ساختمان مانند نقطه مورد علاقه داخلی در اندازه گیری تشابه مسیر داخلی برای کشف عابران پیاده با اهداف مشابه مفید است. در این مقاله، ما یک معیار تشابه مسیر داخلی دقیق و معقول به نام اندازه‌گیری تشابه مسیر معنایی داخلی (ISTSM) پیشنهاد می‌کنیم که ویژگی‌های مسیرهای داخلی و اطلاعات معنایی داخلی را به طور همزمان در نظر می‌گیرد. ISTSM از فاصله ویرایش که اندازه‌گیری فاصله بین دنباله‌های رشته است، اصلاح می‌شود. مؤلفه کلیدی ISTSM یک نمودار ناوبری داخلی است که از یک پلان طبقه داخلی که نمایانگر فضای داخلی برای محاسبه مسافت های دقیق پیاده روی در داخل خانه است، تبدیل شده است. فاصله‌های پیاده‌روی داخل ساختمان و اطلاعات معنایی داخلی به‌طور یکپارچه در فاصله ویرایش ترکیب می‌شوند. ISTSM با استفاده از مجموعه داده مصنوعی و مجموعه داده واقعی برای یک مرکز خرید ارزیابی می شود. آزمایش با مجموعه داده مصنوعی نشان می‌دهد که ISTSM دقیق‌تر و معقول‌تر از سه شباهت مسیر محبوب دیگر است، یعنی طولانی‌ترین دنباله متداول (LCSS)، فاصله ویرایش روی دنباله واقعی (EDR)، و اندازه‌گیری شباهت چند بعدی (MSM). مطالعه موردی یک مرکز خرید نشان می دهد که ISTSM به طور موثر الگوهای حرکت مشتری مشتریان داخلی را نشان می دهد. فاصله‌های پیاده‌روی داخل ساختمان و اطلاعات معنایی داخلی به‌طور یکپارچه در فاصله ویرایش ترکیب می‌شوند. ISTSM با استفاده از مجموعه داده مصنوعی و مجموعه داده واقعی برای یک مرکز خرید ارزیابی می شود. آزمایش با مجموعه داده مصنوعی نشان می‌دهد که ISTSM دقیق‌تر و معقول‌تر از سه شباهت مسیر محبوب دیگر است، یعنی طولانی‌ترین دنباله متداول (LCSS)، فاصله ویرایش روی دنباله واقعی (EDR)، و اندازه‌گیری شباهت چند بعدی (MSM). مطالعه موردی یک مرکز خرید نشان می دهد که ISTSM به طور موثر الگوهای حرکت مشتری مشتریان داخلی را نشان می دهد. فاصله‌های پیاده‌روی داخل ساختمان و اطلاعات معنایی داخلی به‌طور یکپارچه در فاصله ویرایش ترکیب می‌شوند. ISTSM با استفاده از مجموعه داده مصنوعی و مجموعه داده واقعی برای یک مرکز خرید ارزیابی می شود. آزمایش با مجموعه داده مصنوعی نشان می‌دهد که ISTSM دقیق‌تر و معقول‌تر از سه شباهت مسیر محبوب دیگر است، یعنی طولانی‌ترین دنباله متداول (LCSS)، فاصله ویرایش روی دنباله واقعی (EDR)، و اندازه‌گیری شباهت چند بعدی (MSM). مطالعه موردی یک مرکز خرید نشان می دهد که ISTSM به طور موثر الگوهای حرکت مشتری مشتریان داخلی را نشان می دهد. آزمایش با مجموعه داده مصنوعی نشان می‌دهد که ISTSM دقیق‌تر و معقول‌تر از سه شباهت مسیر محبوب دیگر است، یعنی طولانی‌ترین دنباله متداول (LCSS)، فاصله ویرایش روی دنباله واقعی (EDR)، و اندازه‌گیری شباهت چند بعدی (MSM). مطالعه موردی یک مرکز خرید نشان می دهد که ISTSM به طور موثر الگوهای حرکت مشتری مشتریان داخلی را نشان می دهد. آزمایش با مجموعه داده مصنوعی نشان می‌دهد که ISTSM دقیق‌تر و معقول‌تر از سه شباهت مسیر محبوب دیگر است، یعنی طولانی‌ترین دنباله متداول (LCSS)، فاصله ویرایش روی دنباله واقعی (EDR)، و اندازه‌گیری شباهت چند بعدی (MSM). مطالعه موردی یک مرکز خرید نشان می دهد که ISTSM به طور موثر الگوهای حرکت مشتری مشتریان داخلی را نشان می دهد.

کلید واژه ها:

شباهت مسیر داخلی ; شباهت معنایی ; ویرایش فاصله ؛ داده های موقعیت یابی داخلی ؛ فاصله پیاده روی داخلی

1. مقدمه

دستگاه‌های موقعیت‌یابی داخلی، مانند دستگاه‌های WiFi، بلوتوث و RFID (شناسایی فرکانس رادیویی)، تعداد زیادی مسیر داخلی را برای اجسام در حال حرکت در داخل خانه ایجاد می‌کنند. با مسیرهای داخلی، الگوهای حرکتی بینش‌آمیز که رفتار فضایی پیچیده انسان را منعکس می‌کنند، می‌توانند با اتخاذ روش‌های مختلف، مانند تجزیه و تحلیل خوشه‌بندی [ 1 ، 2 ، 3 ، 4 ] کشف شوند. این روش‌ها اغلب بر اساس شباهت مسیر داخلی هستند که درجه شباهت دو مسیر داخلی را اندازه‌گیری می‌کند. مسیرهای خام حاوی اطلاعات مکانی و زمانی را می توان با داده های معنایی ترکیب کرد تا مسیرهای معنایی را ایجاد کند [ 5 ]]. مسیرهای معنایی می توانند درک ما را از روند حرکت، مانند آشکار کردن قصد حرکت، افزایش دهند. بنابراین، معیارهای تشابه مسیر معنایی بر شباهت معنایی متمرکز شده و در چند سال گذشته توجه بسیاری از محققین را به خود جلب کرده است [ 6 ، 7 ، 8 ، 9 ]. با این حال، توجه کمی به معیارهای شباهت مسیرهای معنایی داخلی شده است.
مسیرهای داخل ساختمان دو ویژگی متمایز از مسیرهای بیرونی دارند. یکی از ویژگی ها مکانیسم دستگاه های موقعیت یابی است. معمولاً قرار است مسیرهای خارج از منزل توسط دستگاه های نوع سیستم موقعیت یابی جهانی (GPS) تولید شوند. دستگاه های GPS موقعیت اشیاء را به طور مداوم ردیابی می کنند. برخلاف دستگاه‌های GPS، دستگاه‌های موقعیت‌یابی داخلی، مانند دستگاه‌های RFID و WiFi، موقعیت اشیاء را در محدوده فعال‌سازی دستگاه‌ها گزارش می‌کنند [ 10 ]]. اگر یک شی از محدوده فعال سازی خارج شود، موقعیت آن ناشناخته است. استقرار دستگاه های موقعیت یابی داخلی در همه جای یک فضای داخلی پرهزینه و تقریبا غیرممکن است. بر خلاف اشیاء در فضای باز، اشیاء داخلی در برخی مکان ها قابل ردیابی نیستند. ویژگی دیگر مدل فضایی است. مدل فضایی که اجسام متحرک در فضای باز را در خود جای می دهد، فضای آزاد است، یعنی فضای اقلیدسی نامحدود [ 11 ]. پرندگان مهاجر مجهز به گیرنده جی پی اس در فضای آزاد حرکت می کنند. فضای داخلی (یا فضای اقلیدسی محدود [ 11 ]) موجودات داخلی (مانند اتاق ها، درها و راهروها) را شامل می شود، و این موجودیت ها حرکت فضای داخلی را محدود می کنند.
شکل 1 یک مسیر داخلی را نشان می دهد. دایره های سبز محدوده فعال سازی دستگاه های موقعیت یابی داخلی هستند. فرض کنید شخصی از نقطه a به نقطه b در امتداد یک مسیر پیاده روی داخلی راه می رود. مسیر یک مسیر پر پیچ و خم است که به دلیل محدودیت های حرکتی اعمال شده توسط فضای داخلی است. با این حال، تنها دو نقطه a و b توسط دستگاه موقعیت یابی در امتداد مسیر پیاده روی داخلی ثبت می شود. بنابراین، مسیرهای داخلی ممکن است نقاط مسیر بیشتری را نسبت به مسیرهای خارج از خانه از دست بدهند. به دلیل محدودیت‌های حرکتی داخل ساختمان و نقاط مسیر از دست رفته، مسیر دو نقطه مسیر متوالی داخلی را نمی‌توان به عنوان یک قطعه خط مستقیم دید. فاصله بین دو نقطه، فاصله اقلیدسی نیست، بلکه فاصله پیاده روی در داخل خانه است.
تعداد زیادی از معیارهای شباهت مسیر [ 12 ] وجود دارد. معیارهای نشان دهنده شامل تاب خوردگی زمانی پویا (DTW) [ 13 ]، طولانی‌ترین دنباله متداول (LCSS) [ 14 ]، و اندازه‌گیری فاصله ویرایش بر روی یک توالی واقعی (EDR) [ 15 ]]. DTW در ابتدا برای سری های زمانی مورد استفاده قرار گرفت و سپس با مسیرهای دو بعدی سازگار شد. LCSS و EDR شباهت را برای دنباله‌های رشته‌ای به شباهت برای مسیرها گسترش می‌دهند. اگرچه این روش ها شباهت مسیرها را اندازه گیری می کنند، اما اساس آنها به فاصله بین دو نقطه مسیر بستگی دارد. آثار ذکر شده محدودیت های حرکتی تحمیل شده توسط فضای داخلی و تخصص دستگاه موقعیت یابی داخلی را نادیده می گیرند. آنها یک فرض اساسی دارند که مسیر دو نقطه مسیر متوالی مسیر اقلیدسی است و فاصله بین دو نقطه فاصله اقلیدسی است. با این حال، در یک محیط داخلی پیچیده، فاصله بین دو نقطه در مسیر پیاده‌روی معمولاً به طور قابل ملاحظه‌ای بیشتر از فاصله اقلیدسی است.
اکثر شباهت های مسیر موجود در بالا با توجه به جنبه فضایی مسیرها تعریف می شوند. با این حال، نزدیکی فضایی دو خط سیر لزوماً به معنای مشابه بودن مسیرها نیست، زیرا شباهت معنایی ممکن است اندک باشد. یعنی دسته بندی نقاط مورد علاقه (POI) که آنها از آن عبور می کنند ممکن است متفاوت باشد.
مطالعات قبلی برای مسیرهای داخل ساختمان با توجه به ویژگی های مسیرهای داخلی دقیق نبودند و کمتر به جنبه معنایی مسیرهای داخلی توجه داشتند. هدف از مطالعه حاضر اندازه‌گیری دقیق شباهت مسیرهای معنایی داخلی است. این مقاله یک معیار تشابه مسیر داخلی داخلی جدید به نام اندازه‌گیری تشابه مسیر معنایی داخلی (ISTSM)، برای اندازه‌گیری دقیق مسیرهای داخل ساختمان ارائه می‌کند. ISTSM ویژگی ها و بعد معنایی مسیرهای داخلی را به طور همزمان در نظر می گیرد. ISTSM از فاصله ویرایش برای یک دنباله رشته اصلاح می شود و هر نقطه از مسیر معنایی داخلی به عنوان کاراکتری از یک رشته با استفاده از اطلاعات معنایی داخلی مشاهده می شود. فواصل دقیق پیاده روی داخلی بین نقاط مسیر با ترکیب یک نمودار ناوبری داخلی به دست می آید که فضای پیچیده داخلی را نشان می دهد. اطلاعات معنایی داخلی و فواصل پیاده روی داخل ساختمان برای محاسبه ISTSM ترکیب می شوند. مزیت ISTSM این است که محدودیت‌های حرکتی داخل ساختمان در نظر گرفته می‌شود و این معیار دقیق‌تری برای تشابه مسیرهای معنایی داخلی است. آزمایش‌هایی که با یک مجموعه داده مصنوعی و یک مجموعه داده مسیر داخلی واقعی انجام شده است تأیید می‌کند که ISTSM یک معیار تشابه دقیق‌تر و معقول‌تر برای مسیرهای داخلی است و درک حرکت داخلی را تسهیل می‌کند. ISTSM را می توان در محیط های داخلی مختلف (مراکز خرید، ایستگاه های راه آهن و فرودگاه ها) اعمال کرد و به طور بالقوه برای کاربردهایی مانند تخلیه داخل ساختمان مفید است. اطلاعات معنایی داخلی و فواصل پیاده روی داخل ساختمان برای محاسبه ISTSM ترکیب می شوند. مزیت ISTSM این است که محدودیت‌های حرکتی داخل ساختمان در نظر گرفته می‌شود و این معیار دقیق‌تری برای تشابه مسیرهای معنایی داخلی است. آزمایش‌هایی که با یک مجموعه داده مصنوعی و یک مجموعه داده مسیر داخلی واقعی انجام شده است تأیید می‌کند که ISTSM یک معیار تشابه دقیق‌تر و معقول‌تر برای مسیرهای داخلی است و درک حرکت داخلی را تسهیل می‌کند. ISTSM را می توان در محیط های داخلی مختلف (مراکز خرید، ایستگاه های راه آهن و فرودگاه ها) اعمال کرد و به طور بالقوه برای کاربردهایی مانند تخلیه داخل ساختمان مفید است. اطلاعات معنایی داخلی و فواصل پیاده روی داخل ساختمان برای محاسبه ISTSM ترکیب می شوند. مزیت ISTSM این است که محدودیت‌های حرکتی داخل ساختمان در نظر گرفته می‌شود و این معیار دقیق‌تری برای تشابه مسیرهای معنایی داخلی است. آزمایش‌هایی که با یک مجموعه داده مصنوعی و یک مجموعه داده مسیر داخلی واقعی انجام شده است تأیید می‌کند که ISTSM یک معیار تشابه دقیق‌تر و معقول‌تر برای مسیرهای داخلی است و درک حرکت داخلی را تسهیل می‌کند. ISTSM را می توان در محیط های داخلی مختلف (مراکز خرید، ایستگاه های راه آهن و فرودگاه ها) اعمال کرد و به طور بالقوه برای کاربردهایی مانند تخلیه داخل ساختمان مفید است. و این معیار دقیق تری برای تشابه مسیرهای معنایی داخلی است. آزمایش‌هایی که با یک مجموعه داده مصنوعی و یک مجموعه داده مسیر داخلی واقعی انجام شده است تأیید می‌کند که ISTSM یک معیار تشابه دقیق‌تر و معقول‌تر برای مسیرهای داخلی است و درک حرکت داخلی را تسهیل می‌کند. ISTSM را می توان در محیط های داخلی مختلف (مراکز خرید، ایستگاه های راه آهن و فرودگاه ها) اعمال کرد و به طور بالقوه برای کاربردهایی مانند تخلیه داخل ساختمان مفید است. و این معیار دقیق تری برای تشابه مسیرهای معنایی داخلی است. آزمایش‌هایی که با یک مجموعه داده مصنوعی و یک مجموعه داده مسیر داخلی واقعی انجام شده است تأیید می‌کند که ISTSM یک معیار تشابه دقیق‌تر و معقول‌تر برای مسیرهای داخلی است و درک حرکت داخلی را تسهیل می‌کند. ISTSM را می توان در محیط های داخلی مختلف (مراکز خرید، ایستگاه های راه آهن و فرودگاه ها) اعمال کرد و به طور بالقوه برای کاربردهایی مانند تخلیه داخل ساختمان مفید است.16 ].
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 کار مرتبط در مورد شباهت مسیر را بررسی می کند. بخش 3 روش ما را به تفصیل ارائه می کند. بخش 4 نتایج ارزیابی تجربی را ارائه می دهد. بخش 5 مقاله را به پایان می رساند و چشم انداز کار آینده را ارائه می دهد.
دوره-آموزش-حرفه-ای-gis

2. بررسی ادبیات

طیف وسیعی از معیارهای شباهت مسیر طی چندین دهه پیشنهاد شده است. این رویکردها را می توان با توجه به اینکه آیا بعد معنایی مسیر در نظر گرفته شده است به دو دسته طبقه بندی کرد.
دسته اول یا بر بعد مکانی یا بعد زمانی و یا هر دو تمرکز دارد. فاصله اقلیدسی مجموع فواصل اقلیدسی بین نقاط متناظر دو مسیر است. فاصله هاسدورف گسسته و فاصله فرشه قطعه گسسته به ترتیب فاصله هاسدورف و فاصله فرشه را برای فاصله نقطه تا فاصله قطعه گسترش می دهند [ 17 ]. DTW از سری زمانی یک بعدی اصلاح شده است، اما به نویز حساس است [ 13 ]. LCSS در برابر نویز مقاوم است، اما شکاف‌های غیر همسان احتمالی در دو مسیر را نادیده می‌گیرد [ 14 ]. کانگ و همکاران LCSS را برای محاسبه شباهت مسیر داخلی گسترش داد [ 18]. روش آنها بازه زمانی بازدید مشترک را در نظر می گیرد که در آن دو جسم متحرک داخلی در یک موجودیت داخلی واحد می مانند. با این حال، همانطور که از LCSS به ارث رسیده است، شباهت فاصله فضایی بین نقاط نامتناسب را نادیده می گیرد. EDR پیشنهاد شده توسط چن و همکاران. همچنین اثر نویز را کاهش می دهد و از ضرر شکاف LCSS جلوگیری می کند [ 15 ]. وانگ و همکاران فاصله ای به نام فاصله ویرایش ترکیب شده با فاصله اقلیدسی (EDEU) را برای اندازه گیری شباهت مسیرهای RFID پیشنهاد کرد [ 19 ]. با این حال، EDEU محدودیت‌های حرکتی داخل ساختمان را در نظر نمی‌گیرد و فاصله اقلیدسی برای اجسام متحرک داخل ساختمان دقیق نیست.
در سال‌های اخیر، مطالعه مسیر از مسیرهای خام به مسیرهای معنایی که اطلاعات معنایی معنادار را در بر می‌گیرد، تغییر کرده است. مسیرهای معنایی، مسیرهای خامی هستند که با اطلاعات زمینه ای مرتبط، مانند POI، کاربری زمین و آب و هوا ترکیب می شوند. دسته دوم شباهت مسیر، جنبه معنایی مسیر را در نظر می گیرد و می تواند به ما کمک کند تا مسیرها را به خوبی درک کنیم. یینگ و همکاران شباهت حداکثر الگوی مسیر معنایی (MSTP) را پیشنهاد کرد [ 6 ]. مسیرهای معنایی مکرر ابتدا از مسیرهای معنایی استخراج می شوند و سپس یک LCSS اصلاح شده برای محاسبه شباهت MSTP اعمال می شود. وان و همکاران شباهت معنایی-جغرافیایی را مطرح می کند که شباهت معنایی و شباهت جغرافیایی را به طور همزمان در نظر می گیرد [ 20 ]]. شباهت معنایی و شباهت جغرافیایی به ترتیب با استفاده از فاصله کسینوس و هاسدورف محاسبه می شود. فورتادو و همکاران معیار تشابه چند بعدی (MSM) را معرفی کرد که ابعاد مکانی، زمانی و معنایی را به طور کلی در نظر می گیرد [ 7 ]. مطالعات ذکر شده، توقف هایی را در نظر گرفتند، جایی که اجسام متحرک برای مدت معینی ثابت می مانند. لمان و همکاران اخیراً معیار تشابه توقف ها و حرکت ها را پیشنهاد کرده است که هم توقف ها و هم حرکت ها را در نظر می گیرد [ 8 ]. پتری و همکاران یک معیار تشابه مسیر چند جنبه ای ارائه کرد که رابطه بین ویژگی های معنایی [ 9 ] را در نظر می گیرد. جین و همکاران یک شباهت مسیر داخلی را بر اساس شباهت معنایی فضایی و سلسله مراتبی معرفی کرد [ 2]. شباهت فضایی با استفاده از فاصله در فضای سه بعدی اندازه گیری می شود و شباهت معنایی سلسله مراتبی با استفاده از درخت طبقه بندی معنایی محاسبه می شود. نه شباهت‌های مسیر در فضای باز و نه در داخل، محدودیت‌های حرکتی داخل ساختمان و اطلاعات معنایی داخلی را به طور همزمان در نظر نمی‌گیرند، و بنابراین برای کاربردهای داخلی دقیق نیستند.
داده های خام موقعیت یابی داخلی حاوی نویز هستند و به دلیل محدودیت های دستگاه های موقعیت یابی داخلی و محیط پیچیده داخلی، ذاتا نامشخص هستند. روش های زیادی برای تمیز کردن داده های خام داخلی پیشنهاد شده است. اکثر این مطالعات محدودیت‌های داخلی را از طریق رویکردهای مختلف، مانند رویکرد مبتنی بر مدل نمودار [ 21 ]، رویکرد مبتنی بر مدل مارکوف پنهان (HMM) [ 22 ]، رویکرد فیلتر ذرات [ 23 ]، رویکرد شرطی‌سازی احتمالی در نظر می‌گیرند. [ 24 ] و رویکرد متروپلیس–هیستینگ [ 25]. پاکسازی داده عبارت پیش پردازش داده است، اما روش ما با این رویکردها متفاوت است، زیرا ISTSM مسافت پیاده روی داخل ساختمان را مستقیماً در معیار تشابه مسیر داخلی ادغام می کند.
فاصله پیاده روی داخلی محدودیت های اعمال شده توسط فضای داخلی را در نظر می گیرد و دقیق تر از فاصله اقلیدسی برای یک فضای داخلی است. برای محاسبه مسافت پیاده روی در داخل ساختمان به یک نمودار ناوبری داخلی نیاز است. نمودار ناوبری داخلی یک مدل نمودار است که از ناوبری داخلی برای اشیاء داخلی پشتیبانی می کند. یک گره از نمودار نشان دهنده یک مکان در فضای داخلی است، در حالی که یک لبه نمودار نشان دهنده مسیری بین گره ها است. محققان انواع مدل‌های نمودار ناوبری داخلی را پیشنهاد کرده‌اند، مانند نمودار ورونوی تعمیم‌یافته [ 26 ]، مثلث‌سازی دلونی (DT) [ 27 ]، مدل نمودار دید (VG) [ 28 ]، تبدیل محور میانی مستقیم (S-MAT) [ 29 ]، و نمودار شبکه [ 30]، چندتا را نام بردن. این روش‌ها از تکنیک‌های مختلفی برای تقسیم فضای داخلی به مجموعه‌ای از موجودیت‌ها و سپس ساخت مدل‌های نمودار ناوبری استفاده می‌کنند. هر مدل مزایا و معایب خاص خود را دارد. هامن و همکاران این مدل ها را با استفاده از چهار معیار مقایسه کردند: تعداد لبه های گراف، زمان ایجاد نمودار، زمان محاسبه مسیر و کیفیت مسیر [ 31 ]. آنها تشخیص دادند که VG کوتاه ترین مسیرهای ممکن را ارائه می دهد و روشی امیدوارکننده است. با این حال، VG لبه های اضافی زیادی ایجاد می کند و نیاز به بهینه سازی دارد. DT در اکثر مواقع نتایج رضایت بخشی از مسیر ایجاد می کند، اما گاهی اوقات نتایج متوسطی را ارائه می دهد. با این وجود، واگرایی بین DT و VG زیاد نیست. بنابراین DT برای ساخت نمودار ناوبری داخلی در مطالعه حاضر استفاده می شود.

3. روش شناسی

جریان کلی ISTSM دارای سه مرحله است و در شکل 2 نشان داده شده است. مسیرهای خام داخلی به مسیرهای معنایی داخلی تبدیل می شوند که شامل برچسب های معنایی هستند. ISTSM بر اساس فاصله ویرایش بین دنباله های رشته است. ما برچسب های معنایی را به عنوان کاراکترهای یک دنباله رشته در نظر می گیریم. فاصله ویرایش به دنبال حداقل هزینه تبدیل یک دنباله به دنباله دیگر، با عملیات درج، حذف و جایگزینی روی کاراکترها است. برای ادغام فواصل دقیق داخلی در ISTSM، پلان طبقه داخلی نشان دهنده فضای داخلی به یک نمودار ناوبری داخلی تبدیل می شود. با نمودار ناوبری، فواصل پیاده روی داخل ساختمان بین نقاط مسیر معنایی محاسبه می شود. هزینه های جایگزینی نقاط مسیر معنایی با استفاده از فواصل پیاده روی داخلی و اطلاعات معنایی موجودیت های داخلی محاسبه می شود. سرانجام،

3.1. ساخت مسیرهای معنایی داخلی

ابتدا چندین تعریف مرتبط از یک مسیر داخلی بیان شده است.

تعریف 1. مسیر داخلی. یک مسیر داخلی ( ITr ) دنباله ای از نقاط فضا-زمان با مهرهای زمانی است که جسم متحرک داخلی در یک فضای داخلی حرکت می کند.

منتیr={(پ1،تی1)،…،(پمن،تیمن)،…،(پn،تیn)}
نقطه پمن=(ایکسمن،yمن)موقعیت داخلی است که توسط حسگرهای موقعیت یابی داخلی در مهر زمان ثبت می شود تیمن(من=1،…،n)، ایکسمنو yمنمختصات موقعیت نقطه هستند پمن.

تعریف 2. سیر معنایی داخلی. مسیر معنایی داخلی ( ISTr ) یک شی متحرک داخلی، دنباله ای از نقاط فضا-زمان با برچسب های معنایی است.

مناستیr={(پ1،س1،تی1)،…،(پمن،سمن،تیمن)،…،(پn،سn،تیn)}
اینجا، سمنبرچسب معنایی داخلی مرتبط با موجودیت داخلی مربوطه است که در آن پمندر مهر زمان قرار دارد تیمن(من=1،…،n).
ساخت مسیرهای معنایی داخلی از مسیرهای خام داخلی شامل دو مرحله است، مانند شکل 3 . اولین مرحله شامل استخراج توقف از مسیرهای داخلی است. یک مسیر را می توان به عنوان دنباله ای از توقف ها و حرکت های متناوب مشاهده کرد [ 32 ]. استاپ ها قسمت های مسیری هستند که جسم متحرک برای مدتی در یک منطقه می ماند و می توان آن را با مرکز نقاط قسمت مسیر نشان داد. حرکت ها قسمت های مسیری هستند که در آن جسم متحرک به حرکت خود ادامه می دهد. توقف ها معمولا مکان های مهم یا جالبی هستند و اطلاعات معنایی دارند. مرحله دوم، چسباندن برچسب‌های معنایی داخلی به ایستگاه‌ها است.
توقف ها را می توان از مسیرهای خام داخلی با الگوریتم تشخیص توقف [ 33 ] استخراج کرد. الگوریتم تشخیص توقف بر دو پارامتر متکی است. یکی آستانه فاصله است θدکه اندازه منطقه توقف را محدود می کند. در شکل 3 شعاع دایره است θد. مورد دیگر آستانه زمانی است θتینشان دهنده حداقل زمانی است که جسم متحرک باید در آن بماند. پس از استخراج همه توقف ها، یک مسیر را می توان به عنوان دنباله ای از توقف ها مشاهده کرد.
استاپ ها معانی معنایی دارند و می توانند هدف و وضعیت جسم متحرک را منعکس کنند. برای یک فضای داخلی، هر موجودیت داخلی را می توان با یک چند ضلعی نشان داد. اگر یک توقف در چند ضلعی یک موجودیت باشد، برچسب معنایی موجودیت به توقف متصل می شود. در شکل 3 ، مستطیل سبز یک کافی شاپ استارباکس است. از آنجایی که ایستگاه در داخل فروشگاه است، ایستگاه به برچسب معنایی کافی شاپ متصل می شود. پس از اینکه تمام توقف ها به اطلاعات معنایی متصل شد، مسیرهای داخلی به مسیرهای معنایی داخلی تبدیل می شوند.

3.2. استخراج نمودار ناوبری داخلی

محاسبه دقیق فواصل پیاده روی در داخل ساختمان به نمودار ناوبری داخلی بستگی دارد. نمودار ناوبری داخلی یک فضای داخلی را به عنوان نموداری که برای ناوبری استفاده می شود نشان می دهد. فضای داخلی را می توان به انواع مختلفی از موجودیت داخلی مانند اتاق ها، راهروها و پله ها تقسیم کرد. هر موجودیت داخلی را می توان با یک گره گراف نشان داد و هر لبه نمودار نشان دهنده ارتباط بین موجودیت های داخلی است. نمودار ناوبری داخلی استخراج شده از پلان طبقه داخلی را می توان برای محاسبه مسافت پیاده روی داخلی بین موجودات استفاده کرد.
در این کار، ما از DT برای ساختن نمودار ناوبری استفاده می کنیم. شکل 4 مراحل دقیق را نشان می دهد. با توجه به یک پلان طبقه ( a )، فضای داخلی پلان طبقه به عنوان یک کل استخراج شده و به یک چند ضلعی تبدیل می شود. رئوس چند ضلعی برای تولید اولین شبکه نامنظم مثلثی (TIN) استفاده می شود. پس از آن، مرکز هر مثلث در TIN اول استخراج می شود ( b ) و برای تولید TIN دوم ( c ) استفاده می شود. در نهایت، گره‌ها و لبه‌های TIN دوم که به طور کامل در فضای داخلی قرار دارند برای تولید نمودار ناوبری داخلی ( d ) استخراج می‌شوند.

شکل 4 d محاسبه مسافت پیاده روی داخلی بین هر دو نقطه را نشان می دهد. برای محاسبه فاصله پیاده روی داخلی بین دو نقطه پ1و پ2، منnدoorDمنستی(پ1،پ2)، ابتدا نزدیکترین گره های گراف را جستجو می کنیم n1(با علامت ①) و n2(با علامت ②) برای پ1و پ2بصورت جداگانه. پس از به دست آوردن n1و n2، کوتاه ترین مسیر بین n1و n2با استفاده از الگوریتم کوتاهترین مسیر Dijkstra [ 34 ] محاسبه می شود و فاصله مسیر نشان داده می شود دمنستی(n1،n2). فاصله اقلیدسی بین پ1و n1به عنوان مشخص می شود دمنستی(پ1،n1)، و فاصله بین پ2و n2به عنوان مشخص می شود دمنستی(پ2،n2). سرانجام، منnدoorDمنستی(پ1،پ2)به عنوان مجموع محاسبه می شود دمنستی(پ1،n1)، دمنستی(n1،n2)،و دمنستی(پ2،n2)مانند رابطه (3).

منnدoorDمنستی(پ1،پ2)=دمنستی(پ1،n1)+دمنستی(n1،n2)+دمنستی(پ2،n2)

3.3. محاسبات ISTSM

دنباله ای از برچسب های معنایی نشان دهنده مسیرهای معنایی داخلی برای تعیین شباهت مورد سوء استفاده قرار می گیرد. فاصله ویرایش به عنوان ISTSM برای محاسبه شباهت مسیرهای معنایی داخلی افزایش می یابد. فاصله ویرایش در ابتدا برای مقایسه توالی رشته ها استفاده می شد و کاربردهایی در بازیابی اطلاعات و زیست شناسی محاسباتی دارد. به عنوان یک فاصله ویرایش کلاسیک، فاصله Levenshtein به عنوان حداقل تعداد عملیاتی تعریف می شود که یک رشته را به رشته دیگر منتقل می کند، که در آن عملیات شامل درج، حذف و جایگزینی است [ 35 ].]. در اینجا، هزینه‌های درج، حذف، و جایگزینی همه 1 است. ISTSM با برچسب‌های معنایی یک مسیر معنایی داخلی به عنوان یک کاراکتر رشته برخورد می‌کند. مشابه مورد مسافت لونشتاین، هزینه‌های درج و حذف ISTSM به صورت 1 تعریف می‌شود. با این حال، هزینه جایگزینی بر حسب برچسب‌های معنایی و فواصل پیاده‌روی داخلی بین توقف‌ها تعریف می‌شود. سهم ISTSM این است که اطلاعات معنایی و فواصل دقیق پیاده روی داخلی را در فاصله ویرایشی ادغام می کند به طوری که اندازه گیری دقیقی از شباهت مسیرهای معنایی ارائه می دهد.
هزینه جایگزینی برچسب‌های معنایی، فواصل پیاده‌روی داخل ساختمان و اطلاعات معنایی داخلی را ترکیب می‌کند. برای دو برچسب معنایی از انواع مختلف معنایی، ما در نظر می گیریم که تفاوت بین دو برچسب معنایی زیاد است، در حالی که هزینه جایگزینی به عنوان 1 تعریف می شود، همان هزینه های درج و حذف. برای دو برچسب معنایی از یک نوع معنایی، تفاوت بین دو برچسب معنایی مربوط به فاصله پیاده روی داخلی بین موجودات داخلی است که این دو برچسب معنایی با آنها مرتبط هستند. هزینه جایگزینی به عنوان نسبت فاصله پیاده‌روی داخلی بین مرکز دو موجودیت و حداکثر فاصله پیاده‌روی در داخل ساختمان بین موجودیت‌های داخلی که هر دو نوع معنایی یکسانی دارند، تعریف می‌شود. بنابراین هزینه تعویض بین 0 و 1 است. به این ترتیب،
یک موجودیت داخلی را می توان با مرکز چندضلعی موجودیت داخلی نشان داد. فاصله پیاده روی در داخل ساختمان بین هر دو موجود داخلی را می توان با نمودار ناوبری داخلی ساخته شده قبلی محاسبه کرد.

به طور رسمی، هزینه فرعی جایگزینی با معادله (4) تعریف می شود.

هزینه فرعی(سمن،سj)={1             منf سمن.استیyپه≠سj.استیyپه  منnدoorDمنستی(سمن،سj)منnدoorDمنستیمترآایکسسمن.استیyپه          oتیساعتهrwمنسه
اینجا، سمنو سjدو برچسب معنایی هستند (یعنی موجودیت های داخلی)، SType اطلاعات نوع معنایی آنها است، منnدoorDمنستی(سمن،سj)فاصله پیاده روی داخلی بین موجودات داخلی است سمنو سj، و منnدoorDمنستیمترآایکسسمن.استیyپهحداکثر فاصله پیاده روی در داخل ساختمان بین دو موجود داخلی است که هر دو از یک نوع معنایی هستند. سمن.استیyپه.
چه زمانی سمنو سjانواع مختلف معنایی دارند ( سمن.استیyپه=سj.استیyپه) به هزینه جایگزینی مستقیماً حداکثر مقدار 1 اختصاص داده می شود. وقتی آنها از نوع معنایی یکسان هستند، هزینه جایگزینی بین 0 و 1 است. هزینه جایگزینی تنها زمانی صفر است که سمنو سjبه یک موجودیت داخلی مشابه مراجعه کنید ( من=j). هزینه تعویض 1 است که سمنو سjبه دو نهاد داخلی که حداکثر مسافت پیاده روی داخلی از نوع معنایی یکسان دارند، مراجعه کنید. پس از محاسبه هزینه جایگزینی تمام جفت‌های موجودیت داخلی، نتیجه در ماتریس هزینه جایگزینی ذخیره می‌شود. ستوبسیoستیمآتی.

برنامه نویسی پویا یک روش رایج و کارآمد برای محاسبه فاصله ویرایش است. استفاده كردن ستوبسیoستیمآتی، ویرایش ماتریس فاصله D0…n،0…متربرای دو مسیر معنایی داخلی پ[1…n]( |پ|= n) و س[1…n]( |س|= m) عنصر به عنصر محاسبه می شود، با اتخاذ روش برنامه نویسی پویا که به صورت معادله (5) بیان شده است.

Dمن،j={j                          منf من=0من                          منf j=0Dمن-1،j-1                       منfمن،j>0،  آnد پمن=سjمترمنn{Dمن،j-1+1                   Dمن-1،j+1                   Dمن-1،j-1+ستوبسیoستیمآتی(پمن،سj)     oتیساعتهrwمنسه

چه زمانی D0…n،0…مترمحاسبه شده است، Dn،مترفاصله برای دو مسیر معنایی داخلی است. Dn،مترمربوط به طول دو مسیر است. Dn،متربا استفاده از طول مسیر n و m در رابطه (6) برای حذف اثر طول مسیر نرمال می شود. لیو و همکاران نشان داد که نتیجه نرمال‌سازی یک فاصله متریک است که می‌تواند با فناوری نمایه‌سازی برای تسریع پرس و جو فاصله مسیر [ 36 ] استفاده شود.

Dnorمتر=2×Dn،مترDn،متر+n+متر

ارزش فاصله Dn،متراز 0 تا 1 متغیر است. بنابراین ISTSM برعکس است Dn،مترو با رابطه (7) تعریف می شود.

مناستیاسم=1-Dnorمتر=1-2×Dn،مترDn،متر+n+متر
دوره-آموزش-حرفه-ای-gis

4. ارزیابی تجربی

ISTSM با دو مجموعه داده ارزیابی شد: یک مجموعه داده مصنوعی و یک مجموعه داده واقعی. اثربخشی ISTSM در مقایسه با شباهت‌های مسیر محبوب در مجموعه داده مصنوعی ارزیابی شد. الگوهای حرکت مشتری می تواند منعکس کننده ویژگی های حرکتی مشابه برای گروهی از مشتریان خرید در مراکز خرید باشد. مطالعه الگوهای حرکت مشتری در درک رفتارهای خرید مشتری ارزشمند است، بنابراین از برنامه هایی مانند ارتقای فروش و توصیه دوستان پشتیبانی می کند. الگوهای حرکت مشتری را می توان از مسیرهای مشتری داخلی کشف کرد. یک مجموعه داده واقعی از یک مرکز خرید برای انجام تجزیه و تحلیل خوشه‌بندی با ISTSM و در نتیجه تعیین الگوهای حرکت مشتری در یک مطالعه موردی استفاده شد.

4.1. تجزیه و تحلیل تجربی مجموعه داده مصنوعی

4.1.1. روش شناسی تبدیل داده ها

مجموعه داده مصنوعی با استفاده از روش تبدیل داده برای ارزیابی اثربخشی ISTSM تولید شد. این ایده از Refs وام گرفته شده است. [ 7 ، 37 ]. مزیت روش این است که ISTSM را می توان برای شرایط مختلف به صورت کنترل شده ارزیابی و مقایسه کرد.
اول، با فرض اینکه یک پلان به عنوان یک فضای داخلی داده شده است، یک مسیر بذر معنایی داخلی مناستیr={اس1،…،اسn}(جایی که مکان های نقطه و مهرهای زمانی حذف می شوند) در فضای داخلی ایجاد شد. سپس دو نوع مختلف تبدیل مسیر برای ایجاد مسیرهای جدید در مسیر بذر اعمال شد. روش تبدیل مسیر دارای نرخ متغیری بود که میزان تبدیل را کنترل می کرد. برای تبدیل مسیر نوع K با نرخ متغیر r ، مجموعه ای از ηتغییر مسیرهای معنایی داخلی دبلیوrک={مناستیآر1،…،مناستیآرη}تولید شد. پس از آن، ما میانگین ISTSM بین را محاسبه کردیم مناستیrو هر مجموعه مسیر تبدیل شده دبلیوrکبرای نرخ متغیر متفاوت r ، و سپس نتیجه را با شباهت‌های مسیر معرف، یعنی EDR، LCSS، و MSM مقایسه کردیم. در حالی که DTW نیز یک شباهت خط سیر کلاسیک است، به نویز حساس است و کار قبلی نشان داده است که EDR و LCSS برتر از DTW هستند [ 15 ]. بنابراین، ISTSM با DTW مقایسه نشد. دو روش تبدیل مسیر به شرح زیر است.
1. ترتیب توقف ها را تغییر دهید. تعدادی از توقف های کنترل شده با نرخ متغیر r به طور تصادفی انتخاب شدند و موقعیت این توقف ها تغییر کردند. شکل 5 تغییر ترتیب یک توقف با برچسب Lab 1 را نشان می دهد. توجه داشته باشید که نرخ متغیر r ممکن است توقف های بیشتری را تحت تاثیر قرار دهد. در شکل 5 ، یک تغییر ترتیب توقف ( r = 20%) بر دو توقف برای مسیر بذر تأثیر می گذارد.
2. تعویض استاپ ها. این تبدیل به‌طور تصادفی تعدادی توقف ایجاد کرد که با تغییر نرخ r کنترل می‌شد و توقف‌ها را برای تولید مسیرهای تبدیل‌شده جایگزین کرد. شکل 6 جایگزینی یک ایستگاه با برچسب Lab 1 با توقف دیگری با برچسب Professor Office 2 را نشان می دهد.
در این آزمایش از پلان شکل 4 به عنوان فضای داخلی استفاده شد. مسیر معنایی داخلی بذر 10 توقف داشت. اگرچه یک مسیر خام ممکن است صدها یا هزاران نقطه داشته باشد، اما توقف های بسیار کمتری در مسیر معنایی تغییر یافته وجود دارد. بنابراین طول 10 برای یک مسیر معنایی داخلی بذر مناسب است. تعداد مسیرهای تبدیل شده ηبرای هر نوع تبدیل روی 1000 تنظیم شد. نرخ متغیر r نسبت توقف های تبدیل شده بود و از 0.1 تا 1 در مراحل 0.1 متغیر بود. آزمایش ها بر روی یک رایانه شخصی لپ تاپ با پردازنده مرکزی i5-5200U 2.20 هرتز و حافظه 16 گیگابایتی انجام شد.
ISTSM با EDR، LCSS و MSM مقایسه شد. ISTSM هیچ پارامتر ورودی ندارد، در حالی که EDR، LCSS و MSM حداقل یک پارامتر ورودی دارند. EDR یک پارامتر داشت εبه عنوان آستانه تطبیق فضا. ارزش εروی 3 تنظیم شد (جایی که واحد در فضای داخلی ما متر است)، زیرا عرض اتاق برای فضای داخلی ورودی 6 بود و نیمی از عرض مقدار مناسبی برای ε. روش LCSS دو پارامتر دارد: εمانند EDR و δآستانه ترجمه در بعد زمانی است. εروی 3 تنظیم شد، مانند EDR. δبرای مطابقت با نقاط نزدیک در بعد زمانی، روی 2 تنظیم شد. MSM یک شباهت چند بعدی است که در آن هر بعد وزن، تابع فاصله و آستانه خاص خود را دارد. برای مقایسه با ISTSM که بر فضا و ابعاد معنایی تمرکز دارد، وزن فضا و ابعاد معنایی هر دو 0.5 تعیین شد. تابع فاصله فضایی فاصله اقلیدسی است. برای تابع فاصله معنایی، زمانی که معنایی مطابقت داشته باشد، فاصله صفر است و در غیر این صورت 1 است. آستانه فضایی ε1برابر با EDR و LCSS و آستانه معنایی 3 تعیین شد ε20.5 تعیین شد.

4.1.2. نتایج تجربی

1. ترتیب توقف ها را تغییر دهید. میانگین نمرات شباهت محاسبه شده برای مسیر دانه و مسیرهای تبدیل شده با نرخ متغیر تغییر در ترتیب توقف ها در شکل 7 نشان داده شده است. مقدار MSM همیشه برای نرخ های مختلف 1 بود زیرا به دستور توقف بستگی نداشت. ISTSM بین LCSS و EDR بود. می بینیم که ISTSM کمی بزرگتر از EDR بود. این به این دلیل بود که ISTSM بعد معنایی و فواصل پیاده‌روی داخلی بین ایستگاه‌ها را در نظر گرفت، در حالی که EDR اینطور نبود. یعنی دو توقف از یک نوع معنایی بیشتر شبیه به دو توقف با انواع معنایی متفاوت بود.
2. تعویض استاپ ها. میانگین نمرات شباهت محاسبه شده برای مسیر بذر و مسیرهای تبدیل شده با نرخ متغیر توقف های جایگزین شده در شکل 8 نشان داده شده است.. هر چهار شباهت با افزایش نرخ متغیر کاهش یافت. ترتیب (صعودی) چهار شباهت LCSS، EDR، ISTSM و MSM بود، با نرخ متغیر معین. LCSS پایین‌ترین در بین آنها بود، زیرا شباهت بین توقف‌های اصلی و توقف‌های جایگزین شده را زمانی که از نوع معنایی یکسانی بودند نادیده می‌گرفت. MSM بالاترین بود زیرا ترتیب توقف را در نظر نمی گرفت و بهترین توقف های منطبق را جستجو می کرد. بنابراین LCSS تمایل به دست کم گرفتن شباهت دارد، در حالی که MSM تمایل دارد شباهت را بیش از حد تخمین بزند. ISTSM و EDR بین LCSS و MSM بودند. دلیل کمی بالاتر بودن ISTSM از EDR همان چیزی است که در بالا توضیح داده شد.
دو شکل بالا نشان می دهد که ISTSM اطلاعات معنایی را در نظر می گیرد و می تواند تفاوت کوچک در توقف ها را با همان نوع معنایی تشخیص دهد. بعداً نشان خواهیم داد که این تفاوت مربوط به مسافت‌های پیاده‌روی داخلی بین ایستگاه‌ها است. با در نظر گرفتن اطلاعات معنایی داخلی و محیط پیچیده داخلی، دانش سطح بالا ممکن است از مسیرها با استفاده از ISTSM کشف شود.

4.2. مطالعه موردی – تعیین الگوهای حرکت مشتری

یک مجموعه داده واقعی از یک مرکز خرید برای انجام تجزیه و تحلیل خوشه‌بندی با ISTSM در تعیین الگوهای حرکت مشتری استفاده شد. مجموعه داده واقعی شامل مسیرهای داخلی مشتری برای 1 روز در یک مرکز خرید است. این مرکز خرید یک ساختمان شش طبقه در چونگ کینگ چین است. برای ارائه مختصر و واضح، طبقه چهارم را به عنوان فضای داخلی انتخاب کردیم و مسیرهای داخلی مشتریان را که از طبقه چهارم عبور می کردند استخراج کردیم، همانطور که در شکل 9 نشان داده شده است.. 102 موجودیت داخلی در طبقه چهارم وجود دارد که می توان آنها را به 9 نوع معنایی طبقه بندی کرد: آسانسور، لباس، رستوران، کالای عمومی، قهوه، کفش/کیف، اسباب بازی، مبلمان منزل و نهادهای ماساژ. مقادیر ISTSM شش مسیر مشتری نمونه ابتدا برای مقایسه مسیر برای نشان دادن مزایای ISTSM محاسبه شد. سپس تجزیه و تحلیل خوشه‌بندی برای تمام مسیرهای مشتری برای تعیین الگوهای حرکت مشتری انجام شد.

4.2.1. مقایسه مسیر

مسیرهای خام داخلی ابتدا برای استخراج مسیرهای معنایی داخلی پیش پردازش شدند. تعداد مسیرهای داخلی خام 799 بود. پارامتر آستانه فاصله θدو پارامتر آستانه زمانی θتیاز الگوریتم تشخیص توقف به ترتیب 5 متر و 180 ثانیه تنظیم شد. پس از شناسایی توقف ها، تمام توقف ها به برچسب های معنایی موجودیت های داخلی مربوطه متصل شدند. سپس آن مسیرهای معنایی داخلی را که فقط یک توقف داشتند فیلتر کردیم. در نهایت، 301 مسیر معنایی داخلی باقی ماند.
برای ساده کردن مقایسه مسیر، از 301 مسیر معنایی داخلی، شش مسیر نمونه را انتخاب کردیم و یک قسمت مسیر را به عنوان یک مسیر فرعی از هر یک از شش مسیر استخراج کردیم. شش مسیر فرعی در شکل 9 نشان داده شده است. در شکل، 9 نوع معنایی موجودیت های مختلف داخلی مطابق افسانه نشان داده شده است و با 9 حرف بزرگ A-I نشان داده شده است. زیرنویس برچسب های معنایی به موجودیت های داخلی مختلف اشاره دارد. به عنوان مثال، A1 و A2 دو برچسب معنایی متفاوت (موجودات داخلی) هستند که هر دو از نوع معنایی A هستند.
با شش زیرمسیر معنایی داخلی ISTr 1 , ISTr 2 , …, ISTr 6 , مقادیر ISTSM را برای ISTr 1 و ISTr 2 , …, ISTr 6 محاسبه کردیم . نتیجه در شکل 10 نشان داده شده است . می بینیم که ISTSM (ISTr 1 , ISTr 2 ) بزرگترین است با مقدار 0.61 در حالی که ISTSM (ISTr 1 , ISTr 6 ) با 0.57 دومین و ISTSM (ISTr 1 , ISTr 3 ) است.با 0.36 سومین رتبه بزرگ است.
انواع معنایی ([ H,H,I ] و [ C,A,A ]) برچسب های معنایی مسیرهای ISTr 4 و ISTr 5 با ISTr 1 ([ B,B,F ]) متفاوت است. بنابراین ISTSM (ISTr 1 , ISTr 4 ) و ISTSM (ISTr 1 , ISTr 5 ) هر دو برابر با 0.33 بدون در نظر گرفتن مسافت پیاده روی داخل ساختمان مطابق با رابطه (5) هستند. نتیجه اثر بعد معنایی را بر ISTSM نشان می‌دهد.
ISTSM (ISTr 1 , ISTr 2 ) بزرگتر از ISTSM (ISTr 1 , ISTr 3 ) است. دلیل این امر این است که هر سه مسیر معنایی داخلی ( ISTr 1 , ISTr 2 , و ISTr 3 ) دارای یک نوع معنایی ([ B,B,F ]) از برچسب های معنایی هستند و بنابراین این مقادیر ISTSM به راه رفتن در داخل خانه بستگی دارد. فاصله این برچسب های معنایی مطابق با رابطه (4). توجه داشته باشید که در شکل 9 ، ناحیه مرکزی خالی است و قابل راه رفتن نیست. بنابراین، اگر مشتری بخواهد از B 1 به B 5 برود، او باید در منطقه مرکزی قدم بزند. در نتیجه، IndoorDist (B 1 , B 5 ) بزرگتر از IndoorDist (B 1 , B 3 ) است. به همین ترتیب، IndoorDist (B 2 , B 6 ) بزرگتر از IndoorDist (B 2 , B 4 ) است در حالی که IndoorDist (F 1 , F 3 ) بزرگتر از IndoorDist (F 1 , F 2 ) است. بنابراین، برای ISTr 1 و ISTr 3، فواصل پیاده روی داخلی بین تمام برچسب های معنایی مربوطه بزرگتر از ISTr 1 و ISTr 2 است. در نتیجه، ISTSM (ISTr 1 , ISTr 2 ) بزرگتر از ISTSM (ISTr 1 , ISTr 3 ) است. نتیجه اثر مسافت پیاده روی داخلی را بر مقدار ISTSM نشان می دهد.
جالب اینجاست که ISTSM (ISTr 1 , ISTr 6 ) بزرگتر از ISTSM (ISTr 1 , ISTr 3 ) است اما از ISTSM (ISTr 1 , ISTr 2 ) کوچکتر است . برای ISTr 6 ، نوع معنایی ([ B,B,B,F ]) برچسب های معنایی شبیه به ISTr 2 ([ B,B,F ]) است. فواصل پیاده روی داخلی بین تمام برچسب های معنایی مربوطه ISTr 1 و ISTr 2 بزرگتر از فاصله بین ISTr 1 است.و ISTr 6 ، اما ISTr 6 (4) طولانی تر از ISTr 2 (3) است. به این ترتیب، ISTSM (ISTr 1 , ISTr 6 ) (0.57) کمی کوچکتر از ISTSM (ISTr 1 , ISTr 2 ) (0.61) است. برای ISTr 6 و ISTr 3 ، فواصل پیاده روی داخلی بین تمام برچسب های معنایی متناظر ISTr 1 و ISTr 3 بسیار بزرگتر از ISTr 1 و ISTr 6 است. ISTr 6(4) همچنین طولانی تر از ISTr 3 (3) است، و ISTSM (ISTr 1 , ISTr 6 ) (0.57) بنابراین بزرگتر از ISTSM (ISTr 1 ، ISTr 3 ) (0.36) است. این اثر طول مسیر را بر ISTSM نشان می دهد.
ISTSM را می توان با یک الگوریتم خوشه بندی برای کشف گروه های مختلف مسیرها ادغام کرد. شکل 11 ماتریس ISTSM از شش مسیر معنایی داخلی و دندروگرام حاصل از خوشه بندی سلسله مراتبی تجمعی با ISTSM را نشان می دهد. در شکل 11 ، مقدار سلول شبکه مقدار ISTSM است و اعداد (3، 6، 1، 2، 4، 5) در سمت چپ و بالای شبکه، شناسه های شش مسیر هستند. دندروگرام در بالای شبکه قرار دارد. الگوریتم خوشه‌بندی سلسله مراتبی تجمعی با هر مسیر به‌عنوان یک خوشه شروع می‌شود، و سپس، در هر مرحله، دو خوشه را با بزرگترین ISTSM (کمترین فاصله) به عنوان یک خوشه جدید ترکیب می‌کند تا زمانی که تنها یک خوشه باقی بماند. الگوریتم خوشه بندی ابتدا ISTr را خوشه بندی کرد1 و ISTr 2 برای تشکیل خوشه ترکیبی p ، زیرا اینها بزرگترین مقدار ISTSM را دارند (0.61) و سپس خوشه p با ISTr 6 خوشه می شود تا خوشه q را تشکیل دهد . این فرآیند تا زمانی که خوشه ریشه t تشکیل شود تکرار می شود. از دندروگرام می بینیم که نتیجه خوشه بندی معقول است. ISTr 4 و ISTr 5 در خوشه ها در بعد معنایی با مسیرهای در خوشه r متفاوت هستند. ترتیب خوشه‌بندی مسیر خوشه r تأثیر مسافت‌های پیاده‌روی داخل ساختمان را بر ISTSM منعکس می‌کند..
به طور خلاصه، نتایج فوق نشان می‌دهد که ISTSM با در نظر گرفتن فواصل پیاده‌روی داخل ساختمان و اطلاعات معنایی توقف‌ها، برای مسیرهای معنایی داخل ساختمان مؤثر، دقیق و معقول است.

4.2.2. ارزیابی دقیق ISTSM

در این بخش، دقت ISTSM با رویکرد بازیابی اطلاعات [ 38 ، 39 ] ارزیابی می‌شود.]. مسیرهای سرپوشیده به گروه های مختلف گروه بندی شدند و به عنوان مسیرهای حقیقت زمینی مورد استفاده قرار گرفتند. تمام مسیرهای یک گروه مرتبط و مسیرهای گروه های مختلف غیر مرتبط در نظر گرفته می شوند. ارتباط مسیرها با معیارهای شباهت مسیر متفاوت اندازه‌گیری شد. مشابه ترین مسیر به عنوان مرتبط ترین مسیر در نظر گرفته می شود. بنابراین، کار ارزیابی دقیق اندازه‌گیری شباهت مسیر به یک کار بازیابی اطلاعات تبدیل می‌شود. دقت ISTSM را می توان با میانگین دقت متوسط ​​(MAP) و دقت در فراخوان ارزیابی کرد. ISTSM با EDR، LCSS و MSM مقایسه شد.
از بین 301 مسیر معنایی داخلی، دو گروه مسیر به عنوان مسیرهای حقیقت زمینی بر اساس انواع مختلف توقف‌ها انتخاب شدند. یک گروه از مسیرهای دارای حداقل دو توقف از نوع معنایی لباس و گروه دیگر از مسیرهای دارای حداقل دو توقف از نوع معنایی غذاخوری تشکیل شده است. در گروه اول 76 خط سیر و در گروه دوم 43 خط سیر وجود دارد. در نظر گرفته شد که مسیرهای یک گروه شبیه‌تر از مسیرهای گروه دیگر است.
پارامترهای ISTSM، EDR، LCSS و MSM در بخش 4.1.1 تنظیم شدند . جدول 1 MAP را برای چهار شباهت مسیر نشان می دهد. ISTSM (0.80) بزرگترین نقشه را دارد. این به این دلیل است که سایر شباهت‌های مسیر، اطلاعات معنایی و محدودیت‌های داخلی را همزمان در نظر نمی‌گیرند. MSM جنبه معنایی را در نظر می گیرد اما مسافت های پیاده روی داخلی را در نظر نمی گیرد و دومین نقشه بزرگ (0.75) را دارد. LCSS توقف هایی را با انواع معنایی یکسان در نظر می گیرد، بنابراین MAP آن می تواند به 0.71 برسد. EDR دارای کمترین MAP (0.68) است، زیرا نمی تواند با اطلاعات معنایی مقابله کند. شکل 12دقت در فراخوان را نشان می دهد. ISTSM از سایر شباهت های مسیر در تمام سطوح فراخوان بهتر عمل کرد. هنگامی که سطح فراخوان بین 0 و 0.5 باشد، دقت ISTSM در مقایسه با سه شباهت مسیر دیگر، بهبود قابل توجهی را نشان می دهد.

4.2.3. تعیین الگوهای حرکت مشتری

الگوریتم خوشه‌بندی سلسله مراتبی انبوهی برای تعیین الگوهای حرکت مشتری در مجموعه داده‌های کلی مرکز خرید اعمال شد. تعیین تعداد خوشه ها یک کار غیر ضروری است. برای یافتن تعداد خوشه ها، روش تشخیص نقطه زانو اتخاذ شد و نموداری که تعداد خوشه ها در محور x و فاصله ادغام در محور y را دارد در شکل 13 نشان داده شده است . تعداد خوشه هایی که امتحان کردیم از 1 تا 20 متغیر بود. فاصله ادغام مجموع مسافت های مجذور هر مسیر تا مرکز خوشه اختصاص داده شده آن است. روش تشخیص نقطه زانو یک روش محبوب است که می تواند تعداد صحیح خوشه ها را با یک رویکرد ریاضی شناسایی کند [ 38 ]]. ابتدا یک خط مستقیم از نقطه اول تا آخرین نقطه ترسیم می شود. سپس فاصله اقلیدسی بین هر نقطه تا خط مستقیم محاسبه می شود. نقطه بزرگترین فاصله نقطه زانو است. در شکل 13 ، نقطه سه خوشه نقطه زانو است، و بنابراین مجموعه داده به سه خوشه خوشه بندی شده است. هر خوشه ویژگی های مکانی و معنایی الگوهای حرکت مشتری را نشان می دهد. بنابراین الگوهای فضایی و معنایی خوشه ها در ادامه توضیح داده شده است.
الگوهای فضایی سه خوشه مسیر در شکل 14 ارائه شده است. برای یک مسیر معنایی داخلی، ما مسیر را به جریان های معنایی مبدأ-مقصد (OD) متوالی تقسیم می کنیم. به عنوان مثال، یک مسیر معنایی داخلی {س1،س2،س3}به دو جریان OD تقسیم می شود، {س1،س2}و {س2،س3}. مرکز یک موجودیت داخلی برای نشان دادن برچسب معنایی مربوط به موجودیت داخلی استفاده می شود. برای تمام جریان‌های OD یک خوشه مسیر، تعداد جفت‌های برچسب معنایی متمایز را می‌شماریم و آنها را با نمادهای مدرج نشان می‌دهیم. این سه خوشه تفاوت های آشکاری در الگوهای فضایی خود دارند. برای خوشه 1، OD جریان دارد {آ1،ب1}، {آ1،ب2}، {ب1،ب3}، {سی1،ب3}، و {سی2،ب5}در مقایسه با جریان های دیگر قوی هستند. همه این OD جریان دارد به جز {سی2،ب5}در سمت راست مرکزی مرکز خرید قرار دارند. با توجه به تعداد خط سیر کوچک خوشه 2، {ب1،سی1}تنها جریان قوی OD است. برای خوشه 3، {آ1،ب1}، {آ1،ب2}، و {آ2،ب4}جریان های OD قوی هستند و {آ2،ب4}جریان OD است که خوشه 1 ندارد. بزرگترین جریان های بعدی با تعداد جریان 6-10 نیز تفاوت های واضحی با خوشه 1 دارند.
یک نمودار وتر برای نشان دادن رابطه برچسب های معنایی، و در نتیجه نشان دادن الگوی معنایی یک خوشه، در شکل 15 اتخاذ شده است . 9 نوع معنایی برچسب معنایی با 9 قطعه از دایره بیرونی نمودار نشان داده می شود و کمان هایی بین آنها کشیده می شود. اندازه قوس متناسب با تعداد جفت های برچسب معنایی است. می بینیم که { catering , elevator } و { dress , elevator } جریان های معنایی قوی برای خوشه 1 هستند، در حالی که { catering , wear } و { لباس , لباس} جریان های معنایی قوی برای خوشه 2 هستند. خوشه 3 شبیه به خوشه 1 است، اما جریان های { catering , catering }, { catering , massage } و { catering , shoe/bag } قوی تر از خوشه 1 هستند. جالب توجه است. , { catering , catering } یک جریان نسبتاً قوی برای خوشه 3 است. دلیل احتمالی این امر این است که مشتریان سرگردان از قبل رستوران معینی ندارند. زمانی که با یک رستوران مواجه می شوند، مدتی را صرف مرور منو می کنند و اگر از منو خوششان نمی آید، به رستوران بعدی می روند.

5. نتیجه گیری و کار آینده

اندازه گیری تشابه مسیر داخلی برای تجزیه و تحلیل مسیر داخلی مهم است. با این حال، بیشتر شباهت‌های مسیر موجود محدودیت‌های حرکتی فضای داخلی و ویژگی‌های حسگرهای موقعیت‌یابی داخلی را در نظر نمی‌گیرند. علاوه بر این، اطلاعات معنایی داخلی اغلب نادیده گرفته می شود. در این مقاله، ما یک معیار تشابه مسیر داخلی جدید به نام ISTSM را پیشنهاد می‌کنیم که محدودیت‌ها و اطلاعات معنایی فضای داخلی را به طور همزمان در نظر می‌گیرد. ISTSM فاصله ویرایش کلاسیک را گسترش می دهد. هنگام محاسبه هزینه جایگزینی فاصله ویرایش، ISTSM فواصل دقیق پیاده روی داخل ساختمان را با نمودار ناوبری داخلی و اطلاعات معنایی توقف ها ادغام می کند. ISTSM دقیق‌تر و معقول‌تر است، زیرا فواصل دقیق پیاده‌روی داخل ساختمان را بین توقف‌های مسیر ترکیب می‌کند. آزمایش‌ها نشان داد که ISTSM دقیق‌تر و معقول‌تر از وضعیت فعلی است و می‌تواند الگوهای حرکت مشتری را با تجزیه و تحلیل خوشه‌بندی مسیر برای مشتریان آشکار کند. سایر شباهت‌های مسیر معمولاً به دو وزن نیاز دارند، یعنی وزن فضایی و وزن معنایی، در حالی که ISTSM وزنی ندارد و بنابراین برای استفاده راحت است.
یکی از محدودیت‌های رویکرد ما این است که ساخت مدل نمودار ناوبری داخلی یک کار غیر ضروری و وقت‌گیر است. علاوه بر این، ISTSM خطای موقعیت یابی داخلی را در نظر نمی گیرد. ما قصد داریم ISTSM را با رویکردهای مختلف پاکسازی داده های داخلی ادغام کنیم و آن را در سناریوهای چالش برانگیزتر که در آن نویزها و ابهامات بیشتری در خواندن دستگاه های موقعیت یابی داخلی وجود دارد، ارزیابی کنیم. ما همچنین قصد داریم ISTSM را با داده‌های نظرسنجی کاربران برای سایر سناریوهای داخلی، مانند ایستگاه‌های راه‌آهن و فرودگاه‌ها، در کارهای آینده ارزیابی کنیم.

منابع

  1. کیم، جی. هوانگبو، اچ. کیم، اس جی. کیم، اس. داده های ردیابی مبتنی بر مکان و تجزیه و تحلیل الگوی حرکت مشتری با استفاده برای کسب و کار مد پایدار. پایداری 2019 ، 11 ، 6209. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. جین، پی. کوی، تی. وانگ، کیو. Jensen، جستجوی شباهت مؤثر CS در مسیرهای شیء متحرک داخلی. در مجموعه مقالات کنفرانس بین المللی سیستم های پایگاه داده برای کاربردهای پیشرفته، دالاس، تگزاس، ایالات متحده، 16-19 آوریل 2016. Springer: Cham, Switzerland, 2016; ص 181-197. [ Google Scholar ]
  3. وانگ، پی. وو، اس. ژانگ، اچ. Lu, F. روش پیش‌بینی مکان داخلی برای مراکز خرید بر اساس شباهت توالی مکان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 517. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. یوشیمورا، ی. سوبولفسکی، اس. راتی، سی. ژیراردین، اف. Carrascal، JP; بلات، جی. سیناترا، آر. تحلیلی از رفتار بازدیدکنندگان در موزه لوور: مطالعه ای با استفاده از داده های بلوتوث. محیط زیست طرح. B طرح. دس 2014 ، 41 ، 1113-1131. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. پدر و مادر، سی. اسپاکاپیترا، اس. رنسو، سی. آندرینکو، جی. آندرینکو، ن. بوگورنی، وی. دامیانی، ام.ال. گکولالاس-دیوانیس، ع. Macedo، JA; پلکیس، ن. و همکاران مدل‌سازی و تحلیل مسیرهای معنایی کامپیوتر ACM. Surv. 2013 ، 45 ، 1-32. [ Google Scholar ] [ CrossRef ]
  6. یینگ، جی. لو، ای. لی، دبلیو. ونگ، تی. Tseng، V. شباهت کاربر استخراج از مسیرهای معنایی. در مجموعه مقالات کارگاه شبکه های اجتماعی مبتنی بر مکان، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 نوامبر 2010; ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; صص 19-26. [ Google Scholar ]
  7. فورتادو، ع. کوپانکی، دی. آلوارس، لو. بوگورنی، وی. سنجش تشابه چند بعدی برای مسیرهای معنایی. ترانس. GIS 2016 ، 20 ، 280-298. [ Google Scholar ] [ CrossRef ]
  8. Lehmann، AL; آلوارس، لو. Bogorny، V. SMSM: معیار تشابه برای توقف و حرکت مسیر. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 1847–1872. [ Google Scholar ] [ CrossRef ]
  9. پتری، LM; فررو، کالیفرنیا؛ آلوارس، لو. رنسو، سی. Bogorny, V. Towards towards semantic-aware-semantic-aware-semantic-aware-signity syney measuring. ترانس. GIS 2019 ، 23 ، 960–975. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. لیو، اچ. دارابی، ح. بانرجی، پ. لیو، جی. بررسی تکنیک ها و سیستم های موقعیت یابی داخلی بی سیم. IEEE Trans. سیستم مرد سایبرن. قسمت C Appl. Rev. 2007 , 37 , 1067-1080. [ Google Scholar ] [ CrossRef ]
  11. Laube، P. تحلیل حرکت محاسباتی. Geogr. Inf. علمی تکنولوژی بدن شناخت. 2017 ، 2017 ، 12–13. [ Google Scholar ] [ CrossRef ]
  12. راناچر، پ. Tzavella، K. چگونه حرکت را مقایسه کنیم؟ مروری بر اقدامات شباهت حرکتی فیزیکی در علم اطلاعات جغرافیایی و فراتر از آن کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 286-307. [ Google Scholar ] [ CrossRef ]
  13. ولاچوس، م. گونوپولوس، دی. داس، G. اندازه گیری فاصله ثابت چرخش برای مسیرها. در مجموعه مقالات دهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD ’04)، سیاتل، دی سی، ایالات متحده آمریکا، 22 تا 25 اوت 2004. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2004; ص 707-712. [ Google Scholar ]
  14. ولاچوس، م. کولیوس، جی. Gunopulos، D. کشف مسیرهای چند بعدی مشابه. در مجموعه مقالات هجدهمین کنفرانس بین المللی مهندسی داده (ICDE ’02)، سان خوزه، کالیفرنیا، ایالات متحده آمریکا، 26 فوریه تا 1 مارس 2002. صص 673-684. [ Google Scholar ] [ CrossRef ]
  15. چن، ال. اوزسو، ام. Oria، V. جستجوی شباهت قوی و سریع برای مسیر حرکت جسم متحرک. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2005 در مورد مدیریت داده ها (SIGMOD ’05)، بالتیمور، MD، ایالات متحده آمریکا، 14-16 ژوئن 2005. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2005; صص 491-502. [ Google Scholar ]
  16. ژائو، اچ. Winter, S. A Routing Map Aware-Aware Routing Map for Indoor Evacuation. Sensors 2016 , 16 , 112. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. زی، دی. لی، اف. فیلیپس، JM جستجوی تشابه مسیر توزیع شده. Proc. VLDB Enddow. 2017 ، 10 ، 1478-1489. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. کانگ، اچ. کیم، جی. Li, K. اندازه‌گیری تشابه برای مسیر حرکت اجسام در فضای سلولی. در مجموعه مقالات سمپوزیوم ACM 2009 در محاسبات کاربردی، هونولولو، HI، ایالات متحده آمریکا، 8 تا 12 مارس 2009. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2009; ص 1325–1330. [ Google Scholar ]
  19. وانگ، ی. یو، جی. گو، ی. یو، دی. ژانگ، تی. پرس و جو تشابه کارآمد در پایگاه داده های مسیر RFID. در کنفرانس بین المللی مدیریت اطلاعات عصر وب ; Springer: Cham, Switzerland, 2010; صص 620-631. [ Google Scholar ]
  20. وان، ی. ژو، سی. پی، تی. الگوی مسیریابی معنایی-جغرافیایی بر اساس اندازه‌گیری مشابهت جدید. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 212. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. بابا، هوش مصنوعی؛ لو، اچ. پدرسن، سل؛ Xie, X. مدیریت نگاتیوهای کاذب در داده های RFID داخلی. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE در سال 2014 در مورد مدیریت داده های تلفن همراه، بریزبن، استرالیا، 14 تا 18 ژوئیه 2014. صص 117-126. [ Google Scholar ]
  22. بابا، هوش مصنوعی؛ جیگر، م. لو، اچ. پدرسن، سل؛ کو، دبلیو. Xie, X. پاکسازی مبتنی بر یادگیری برای داده های RFID داخلی. در مجموعه مقالات کنفرانس بین المللی مدیریت داده ها در سال 2016، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 26 ژوئن تا 1 ژوئیه 2016؛ انجمن ماشین‌های محاسباتی: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 2016. ص 925-936. [ Google Scholar ]
  23. ژائو، ز. Ng، W. یک رویکرد مبتنی بر مدل برای پاکسازی جریان داده RFID. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، مائوئی، HI، ایالات متحده آمریکا، 29 اکتبر تا 2 نوامبر 2012. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; صص 862-871. [ Google Scholar ]
  24. فازینگا، بی. فلسکا، اس. فورفارو، اف. Parisi، F. استفاده از محدودیت های یکپارچگی برای تمیز کردن مسیرهای اشیاء تحت نظارت RFID. ACM Trans. سیستم پایگاه داده 2016 ، 41 ، 1-52. [ Google Scholar ] [ CrossRef ]
  25. فازینگا، بی. فلسکا، اس. فورفارو، اف. Parisi، F. تفسیر داده های ردیابی RFID برای اشیاء متحرک همزمان: یک رویکرد مبتنی بر نمونه برداری آفلاین. سیستم خبره Appl. 2020 , 152 , 113368. [ Google Scholar ] [ CrossRef ]
  26. چوست، اچ. بوردیک، جی. کاوش مبتنی بر حسگر: نمودار ورونوی تعمیم یافته سلسله مراتبی. بین المللی ربات جی. Res. 2000 ، 19 ، 96-125. [ Google Scholar ] [ CrossRef ]
  27. خو، ام. وی، اس. زلاتانوا، اس. رویکرد ناوبری داخلی با در نظر گرفتن موانع و تقسیم فضایی طرح دوبعدی. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 339-346. [ Google Scholar ] [ CrossRef ]
  28. جیبلین، پی. دی برگ، ام. ون کرولد، ام. اورمارس، ام. شوارتسکف، او. هندسه محاسباتی: الگوریتم ها و کاربردها. ریاضی. گز. 2001 ، 85 ، 175. [ Google Scholar ] [ CrossRef ]
  29. لی، جی. پیاده‌سازی مبتنی بر دسترسی مکانی یک مدل داده توپولوژیکی سه بعدی GIS برای نهادهای شهری. GeoInformatica 2004 ، 8 ، 237-264. [ Google Scholar ] [ CrossRef ]
  30. لی، ایکس. کلارامونت، سی. Ray, C. یک مدل مبتنی بر گراف شبکه ای برای تجزیه و تحلیل فضاهای داخلی دو بعدی. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 532-540. [ Google Scholar ] [ CrossRef ]
  31. هامن، اس. میکس، جی. رسچ، بی. لاور، جی. Zipf، A. مسیریابی از طریق فضاهای باز – مقایسه عملکرد الگوریتم ها. ژئو اسپات. Inf. علمی 2017 ، 21 ، 247-256. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. اسپاکاپیترا، اس. پدر و مادر، سی. دامیانی، ام.ال. De Macedo، JA; پورتو، اف. وانگنوت، سی. دیدگاه مفهومی در مسیرها. دانستن داده ها مهندس 2008 ، 65 ، 126-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. لی، کیو. ژنگ، ی. Xie، X. چن، ی. لیو، دبلیو. Ma, W. شباهت کاربر ماینینگ بر اساس تاریخچه مکان. در مجموعه مقالات شانزدهمین کنفرانس بین المللی ACM Sigspatial در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، ایروین، کالیفرنیا، ایالات متحده آمریکا، 5 تا 7 نوامبر 2008. [ Google Scholar ] [ CrossRef ]
  34. Dijkstra، EW یادداشتی در مورد دو مشکل در ارتباط با نمودارها. عدد. ریاضی. 1959 ، 1 ، 269-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. کدهای باینری Levenshtein، VI که قادر به تصحیح حذف، درج و معکوس هستند. دوکل. آکاد. Nauk SSSR 1966 ، 163 ، 845-848. [ Google Scholar ]
  36. یوجیان، ال. بو، L. یک متریک فاصله نرمال شده لوونشتاین. IEEE Trans. الگوی مقعدی ماخ هوشمند 2007 ، 29 ، 1091-1095. [ Google Scholar ] [ CrossRef ]
  37. وانگ، اچ. سو، اچ. ژنگ، ک. صادق، س. ژو، ایکس. مطالعه اثربخشی بر روی اقدامات مشابهت مسیر. در مجموعه مقالات بیست و چهارمین کنفرانس پایگاه داده استرالیا (ADC 2013)، آدلاید، استرالیا، 29 ژانویه تا 1 فوریه 2013. صص 13-22. [ Google Scholar ]
  38. ساتوپا، وی. آلبرشت، جی. ایروین، دی. راغوان، ب. یافتن یک “زانو” در انبار کاه: تشخیص نقاط زانو در رفتار سیستم. در مجموعه مقالات سی و یکمین کنفرانس بین المللی کارگاه های آموزشی سیستم های محاسباتی توزیع شده، مینیاپولیس، MN، ایالات متحده، 20-24 ژوئن 2011. صص 166-171. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. منینگ، سی دی; رغوان، پ. Schutze, H. مقدمه ای بر بازیابی اطلاعات . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2008. [ Google Scholar ]
Ijgi 10 00090 g001 550
شکل 1. مسیر داخلی در یک فضای داخلی.
Ijgi 10 00090 g002 550
شکل 2. جریان کلی معیار تشابه مسیر معنایی داخلی (ISTSM).
Ijgi 10 00090 g003 550
شکل 3. استخراج مسیرهای معنایی داخلی.
Ijgi 10 00090 g004 550
شکل 4. ساخت نمودار ناوبری داخلی و محاسبه مسیرهای پیاده روی داخلی: ( الف ) پلان طبقه. ( ب ) تولید اولین شبکه نامنظم مثلثی (TIN) و استخراج مرکز هر مثلث. ( ج ) نسل دوم TIN. و ( د ) نمودار ناوبری داخلی داخلی نهایی و محاسبه مسیر پیاده روی داخلی.
Ijgi 10 00090 g005 550
شکل 5. تغییر ترتیب توقف ها برای r = 20%.
Ijgi 10 00090 g006 550
شکل 6. جایگزینی استاپ برای r = 20%.
Ijgi 10 00090 g007 550
شکل 7. نتیجه تغییر ترتیب توقف، که در آن محور x نرخ تبدیل مسیر r و محور y امتیاز شباهت مسیر اصلی و مسیر تبدیل شده است.
Ijgi 10 00090 g008 550
شکل 8. نتیجه جایگزینی توقف ها، که در آن محور x نرخ تبدیل مسیر r است، در حالی که محور y امتیاز شباهت مسیر اصلی و مسیر تبدیل شده است.
Ijgi 10 00090 g009 550
شکل 9. پلان طبقه یک مرکز خرید و شش زیرمسیر معنایی داخلی.
Ijgi 10 00090 g010 550
شکل 10. ISTSM ISTr1 و ISTr2–ISTr6.
Ijgi 10 00090 g011 550
شکل 11. ماتریس ISTSM و دندروگرام خوشه بندی سلسله مراتبی.
Ijgi 10 00090 g012 550
شکل 12. دقت در نتیجه ارزیابی فراخوان.
Ijgi 10 00090 g013 550
شکل 13. تعیین تعداد خوشه ها برای خوشه بندی سلسله مراتبی.
Ijgi 10 00090 g014a 550 Ijgi 10 00090 g014b 550
شکل 14. الگوهای فضایی خوشه های مسیر معنایی داخلی: ( الف ) خوشه 1. ( ب ) خوشه 2; و ( ج ) خوشه 3.
Ijgi 10 00090 g015a 550 Ijgi 10 00090 g015b 550
شکل 15. الگوهای معنایی خوشه های مسیر معنایی داخلی: ( الف ) خوشه 1. ( ب ) خوشه 2; و ( ج ) خوشه 3.
جدول
جدول 1. نتیجه ارزیابی نقشه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید