چکیده

رسانه‌های اجتماعی امروزه برای برنامه‌ها و سرویس‌های مبتنی بر مکان مختلف مورد استفاده قرار می‌گیرند، و می‌خواهند از پتانسیل گسترده و به موقع محتوای تولید شده توسط کاربر استفاده کنند. برای ارزیابی صحت، قابلیت اطمینان و پتانسیل این برنامه‌ها و خدمات، بیشتر از نظر بهینه‌سازی یا مقایسه با منابع و سرویس‌های داده معتبر موجود ارزیابی می‌شوند. با توجه به برنامه ریزی مسیر، بهینه سازی معیار بیشتر برای ارزیابی اثربخشی خدمات، از نظر، به عنوان مثال، طول، زمان یا مکان های بازدید شده، اجرا می شود. این ارزیابی‌ها عمدتاً از نظر اثربخشی در ارائه تجربه کامل مسیر محدود هستند، زیرا محدود به یک معیار از پیش تعریف‌شده هستند و بیشتر در فضای دو بعدی اجرا می‌شوند. در این تحقیق، ما یک فرآیند ارزیابی جامع را پیشنهاد می کنیم، که در آن یک مسیر پیاده روی گردشگری با توجه به دید سه بعدی که جذابیت مسیر مربوط به درک کاربر را اندازه گیری می کند، تجزیه و تحلیل می شود. برای ارائه توسعه خود، استفاده از فلیکر را به نمایش می گذاریم، یک وب سایت آنلاین اشتراک گذاری عکس در رسانه های اجتماعی که در بین مسافرانی که تجربیات گردشگری خود را به اشتراک می گذارند، محبوب است. ما از عکس های فلیکر برای ایجاد مسیرهای پیاده روی گردشگری و ارزیابی آنها از نظر فضای قابل مشاهده استفاده می کنیم. ما نشان می‌دهیم که تحلیل دید سه‌بعدی عناصر مختلف شهری قابل مشاهده در مجاورت مسیرهای گردشگری را شناسایی می‌کند که جذاب‌تر، مناظر و شامل بسیاری از جاذبه‌های گردشگری هستند. از آنجایی که جذابیت شهری اغلب در مسیرهای عکس عکاسان فلیکر منعکس می شود،

کلید واژه ها:

رسانه های اجتماعی ؛ عکس های دارای برچسب جغرافیایی ; ژئوتصویرسازی ; جذابیت شهری ; تجزیه و تحلیل بصری

1. مقدمه

برنامه‌ریزی مسیر هوشمند و راه‌حل‌های ناوبری به سرعت در حال توسعه هستند و می‌خواهند همگام با تغییرات سریع و نیازهای کاربران متنوع باشند. برنامه ریزی مسیر به عنوان بخش مهمی از خدمات و برنامه های مبتنی بر مکان عمل می کند، جایی که مسیر تولید شده برای ارائه یک مسیر بهینه از طریق مکان های مورد علاقه (اهداف) با اعمال محدودیت های مسیر خاص طراحی شده است. یک فرمول متداول از مسیرها را می توان از مشکل فروشنده دوره گرد (TSP)، مشکل مسیریابی وسیله نقلیه (VRP) و مسئله جهت گیری (OP) تهیه کرد. در مورد برنامه ریزی مسیر طراحی شده برای محاسبه مسیرهای گردشگری، به احتمال زیاد باید بر دانش و درک زمینه ای غنی در مورد محیط شهری تکیه کند. به طور فزاینده،1 ، 2 ] که به طور مداوم به روز می شوند و اطلاعات بومی را ذخیره می کنند. برای مثال، فلیکر به کاربران اجازه می‌دهد تا فعالیت‌ها و رویدادهای روزمره خود، از جمله فعالیت‌های گردشگری را با تکیه بر عکس‌های دارای برچسب جغرافیایی که منعکس‌کننده جذابیت بصری خروجی است که کاربران تجربه می‌کنند، به تصویر بکشند و به اشتراک بگذارند. بر این اساس، از جمله مکان‌های دیدنی و جذاب مستند شده در مسیرهای عکس فلیکر که به عنوان ردپای دیجیتالی عمل می‌کنند، این پتانسیل را دارد که تجربه گردشگری را به میزان قابل توجهی غنی کند. اگرچه جذابیت بصری یک کیفیت ذهنی است، اما ممکن است استدلال شود که برخی از ویژگی های جذابیت جهانی را می توان زمانی کسر کرد که تعداد زیادی از کاربران رسانه های اجتماعی در حال عکاسی از یک سایت خاص هستند [ 3 ]]، به خصوص زمانی که آن سایت به عنوان یک جاذبه توریستی در پلتفرم های نشانگر سنتی، مانند تریپ ادوایزر علامت گذاری نشده باشد.
راه یابی بیشتر از طریق کانال بصری ساخته می شود. این یک مهارت طبیعی است که عابران پیاده در طول زندگی خود انجام می دهند و به آنها کمک می کند تا با موفقیت مسیریابی و جهت یابی کنند. راه یابی شامل ادغام و جذب ساختارهای ادراکی و شناختی مربوط به فضا به نشانه های فضایی است که بازنمایی های ذهنی (“نقشه شناختی”) محیطی را که با فضای واقعی مطابقت دارد تحریک می کند [ 4 ].]. مدل سازی این فرآیند، به عنوان مثال، شناسایی نشانه های معماری و ریخت شناسی محیطی، می تواند برای افزایش تجارب سفر استفاده شود. از نظر مسیریابی، اکثر الگوریتم‌های برنامه‌ریزی مسیر، هدفشان محاسبه کوتاه‌ترین یا سریع‌ترین مسیر است. این مسیرها به احتمال زیاد کاربرانی را که مایل به تجربه فعالانه محیط هستند، مانند گردشگران، مورد خطاب قرار نمی دهند. این کاربران می خواهند نشانه های محیطی اضافی را در مسیر خود بگنجانند، مانند نقاط دیدنی، نقاط دیدنی و مناظر.
محیط ساخته شده و عناصر و ویژگی های فیزیکی مختلف آن، نحوه احساس و تجربه افراد را شکل می دهد. اینها تأثیر مستقیمی بر نحوه درک، مشارکت، رفتار و عمل افراد دارند. امروزه، شهرها بیشتر و بیشتر سفرهای فعال را تشویق می کنند، جایی که تحرک عابران پیاده و پیاده روی به عنوان ویژگی مهم یک محیط شهری پایدار و سالم در نظر گرفته می شود. از آنجایی که درک فضای شهری تا حد زیادی تحت تأثیر دید است، شبیه‌سازی نشانه‌های بصری در طول مسیرها ممکن است به انتخاب مسیر شخصی‌شده و ارزیابی کیفی ارتباط یک مسیر، ارزیابی کمی مناسب بودن آن با الزامات و ترجیحات خاص کاربران کمک کند [ 5 ].]، مانند گردشگران. این در تضاد با فرآیندهای ارزیابی مسیر موجود است که عمدتاً بر روی یک فضای دو بعدی (مثلاً طول) انجام می‌شوند، با نادیده گرفتن این واقعیت که مسیرها در یک واقعیت سه بعدی وجود دارند، و بنابراین باید در این زمینه تحلیل و ارزیابی شوند.
در این مطالعه، ما استفاده از فلیکر را برای ایجاد مسیرهایی با زمینه گردشگری، به عنوان مثال، سفر در مکان‌های جذاب و عکاسی به نمایش می‌گذاریم. برای ارزیابی اثربخشی این مسیرها، ما یک ابزار تحلیل دید سه بعدی را پیاده سازی می کنیم که تجربه بصری مسیر گردشگری محاسبه شده را ارزیابی می کند. این ابزار اندازه گیری کمی جذابیت محیطی را بر حسب نحوه درک و تجربه کاربر از فضایی که از طریق آن سفر می کند، امکان پذیر می کند. نتایج تجربی برای مسیرهای پیاده روی در منهتن، نیویورک، ایالات متحده ارائه شده است. نتایج نشان می دهد که با مدیریت صحیح داده ها، فلیکر می تواند مسیرهای گردشگری غنی ایجاد کند. تجسم جغرافیایی نتایج ارزیابی دید سه‌بعدی، ارتباط مسیر گردشگری را با نشان دادن گونه‌شناسی‌های شهری و اجزای بصری قابل مشاهده از آن، که بر ادراک و تجربه گردشگر تأثیر می‌گذارد، تأیید می‌کند. با پذیرش امروزی Urban Digital Twins، که مدل‌های پیچیده داده‌های سه بعدی هستند که امکان فرآیندهای مشارکتی در سطح شهر را فراهم می‌کنند.6 ]، ما معتقدیم که ابزار ارزیابی دید سه بعدی می تواند به عنوان یک ارزیابی عملی برای اهداف مختلف مدل سازی و برنامه ریزی، با تمرکز بر خدمات مبتنی بر مکان عمل کند.

2. تحقیقات مرتبط

داده های بزرگ جغرافیایی در رسانه های اجتماعی برای تحلیل و تجسم جنبه های مختلف مربوط به فضای شهری استفاده می شود. مطالعات سهم عکس‌های دارای برچسب جغرافیایی جمع‌سپاری شده را برای کاربردهای متنوع نشان داده‌اند، به‌عنوان مثال، نقشه‌برداری مناطقی که آرام‌تر و هیجان‌انگیزتر هستند با استفاده از داده‌های بزرگ تصاویر دارای برچسب جغرافیایی و نمونه‌های صوتی [ 7 ]، استخراج نشانه‌ها از عکس‌های دارای برچسب جغرافیایی با استفاده از شبکه عصبی عمیق [7]. 8 ، محاسبه مسیرهای دلپذیر (زیبا و شاد) در بوستون و لندن [ 9 ] و برنامه ریزی مسیر گردشگری [ 10 ، 11 ]. عکاسی به شدت با تجربه گردشگری مرتبط است [ 12]، به این معنی که اکثر گردشگران برای اهداف مستند به عنوان اثباتی بر مصرف تجربه سفر در یک شهر [ 4 ] عکس می گیرند، به طوری که عکاسی گردشگری با توسعه گردشگری مرتبط است [ 13 ]. مرجع. [ 14] بازنمایی و فرآیندهای عکاسی گردشگران را به عنوان مصرف کنندگان منفعل مکان ها یا تولیدکنندگان فعال فرهنگی مورد بررسی قرار داد. نویسندگان استدلال می‌کنند که اگرچه گردشگران به طور فعال در فرآیند عکاسی شرکت می‌کنند و عکس‌هایی با اهمیت بسیار شخصی تولید می‌کنند، عکس‌های آن‌ها همچنان بر اساس قراردادهای گسترده‌تر، مانند ساخت فرهنگی مکان‌ها، عوامل ساختاری، گروه‌های قراردادهای اجتماعی بصری، داشتن عوامل ساختاری شکل می‌گیرند. ، عناصر اجتماعی و بصری که بر عکس مقصد گردشگران تأثیر می گذارد. به گونه ای که جذابیت شهرها به طور ضمنی اطلاعات جغرافیایی را در عکاسی رسانه های اجتماعی ذخیره می کند [ 14 ]. این ممکن است سرنخی از چگونگی تأثیر تصاویر بر ساخت تصویر مقصد و تفسیر [ 15 ] بدهد. در کتاب خود ر. [3 توضیح می دهد که تحقیق تصویر مقصد ریشه در رشته های مختلفی دارد که به عنوان درک مکان برای سفر و گردشگری در نظر گرفته می شوند. باید تاکید کرد که تصویر مقصد در فرآیند پیچیده ای ساخته می شود که به ویژگی های گردشگران بالقوه و ویژگی هایی که برای آنها مهم است بستگی دارد. تصویر از مولفه های شناختی، عاطفی و قراردادی تشکیل شده است که توسط مواد آلی و واقعی نشان داده می شود. در این پیچیدگی، تصویر مقصد، قبل از تجربه، در درون زمینه‌های شخصی و اجتماعی شکل می‌گیرد و آشکار می‌شود. مرجع. [ 16] تاکید می کنند که تجارب گردشگران موضوع اصلی مطالعات گردشگری است. نویسندگان یک آزمایش پیاده روی از نمونه بزرگی از افرادی که در یک محیط شهری در مقیاس بزرگ در شهر اورشلیم سفر می کردند، انجام دادند. آنها داده های مکان با وضوح بالا را با داده های لحظه ای تجربه لحظه ای در قالب معیارهای فیزیولوژیکی عینی احساسات و همچنین اندازه گیری های ذهنی احساسات ترکیب کردند. نویسندگان بینش هایی را در مورد تجربه شخصی فرد و ویژگی های عاطفی جاذبه های توریستی شهر ارائه می دهند و اهمیت مهم مکان های دیدنی را که در تحقیق ما نیز پیشنهاد شده است، تقویت می کنند.
پژوهشگران در آرزوی توصیف پیچیدگی ساختار شهری با مدل‌های تحلیلی و ابزارهای طراحی شده برای نشان دادن این پیچیدگی با اندازه‌گیری طیف وسیعی از داده‌های موجود، با ویژگی‌های متعدد و متنوع آن هستند [ 17 ]. مطالعات متعددی رابطه بین مورفولوژی فضای شهری و نحوه درک کاربران از ویژگی های تجربی آن را مورد بررسی قرار داده اند، برخی با دو بعدی و برخی دیگر با تجزیه و تحلیل بصری سه بعدی. تجسم واقعیت مجازی (VR) مجموعه داده‌های جغرافیایی سه‌بعدی غوطه‌ور است و برای کاربردهای مختلف، مانند برنامه‌ریزی ساخت‌وساز، شبیه‌سازی – برای نام بردن از چند مورد [ 18 ] اجرا می‌شود. کاربرد دیگر مربوط به سیستم‌های جهت‌یابی مجازی و راهیابی است که در محوطه دانشگاه بوخوم پیاده‌سازی شد [ 19 ]]. تلاش‌های مختلفی برای تحلیل دید سه‌بعدی و نمایش ایزوویست‌های سه‌بعدی وجود دارد که توانایی آن‌ها برای نمایش اطلاعات پیچیده فضایی معنادار را اثبات می‌کند. تجزیه و تحلیل بصری دینامیک سه بعدی پیشنهاد شده در [ 20 ] درک بصری حرکت انسان در مسیر شهری را شبیه سازی و پیش بینی می کند. این مدل تحلیلی در یک آزمایش انجام شده در یک محیط مجازی همهجانبه، با استفاده از مورفولوژی های مسیر شهری متفاوت، که در آن سرعت حرکت برای همه مسیرها برابر بود، ارزیابی شد [ 21 ]. مرجع. [ 22 ] آزمایشی را انجام داد که در آن کاربران در معرض محرک های بصری قرار گرفتند، جایی که تصمیمات مسیر آنها ثبت شد. نویسندگان نشان دادند که انتخاب‌های ناوبری عابر پیاده تحت تأثیر ویژگی‌های دید خاص است.
به طور سنتی، فعالیت‌های مکانی گردشگران با استفاده از نظرسنجی‌ها و پرسش‌هایی که به طور فعال توسط گردشگران پر می‌شوند ([ 10 ، 23 ، 24 ])، یا با مشارکت گردشگران در آزمایش‌ها، همانطور که توسط [ 16 ] پیشنهاد می‌شود، مورد مطالعه قرار گرفته است. اگرچه مطالعه گردشگری که شامل گردشگران فعال است، تضمین می‌کند که داده‌های جمع‌آوری‌شده فقط مربوط به گردشگری است، این رویکردها بسیار محدود، پرهزینه و زمان‌بر هستند [ 25 ]. این روش‌های مستندسازی امروزه با داده‌های جمع‌آوری‌شده از حسگرهای مکان GNSS و پلت‌فرم‌های اجتماعی آنلاین جایگزین شده‌اند، که امکان مستندسازی و در نتیجه بازیابی حجم زیادی از داده‌های جغرافیایی را فراهم می‌کند [ 26 ]]. بر این اساس، روش‌هایی برای استخراج خودکار عکس‌های دارای برچسب جغرافیایی که زمینه گردشگری را برای بازیابی دانش و بینش در مورد فعالیت گردشگری نشان می‌دهند، بررسی می‌شوند. تنوع فزاینده داده های منبع باز معتبر (به عنوان مثال، دولتی، شهرداری) و محتوای شخصی تولید شده توسط کاربر (به عنوان مثال، مکان های دارای برچسب جغرافیایی و عکس های به اشتراک گذاشته شده در رسانه های اجتماعی آنلاین) علاقه فزاینده ای به توصیه ها و سیستم های برنامه ریزی متعدد ایجاد کرده است [ 27 ]. بر این اساس، هنگام مدیریت این داده ها و اطلاعات، دو چالش وجود دارد: (1) اینکه چه چیزی می تواند به عنوان محتوای مرتبط و آموزنده در نظر گرفته شود – و از چه منابعی، یعنی نیاز به بازیابی اطلاعات مربوطه، مانند مکان های دیدنی (POI)، و (2) نحوه وزن دهی و ایجاد مسیرهای بین مکان های از پیش تعریف شده و POI (به عنوان مثال، [24 ، 28 ]).
هدف سیستم‌های برنامه‌ریزی مسیر خودکار ارائه مسیرها توسط مجموعه‌های از پیش تعریف‌شده، مانند آگاهی از زمینه و شخصی‌سازی است، جایی که اکثر راه‌حل‌های برنامه‌ریزی مسیر به عنوان OP در نظر گرفته می‌شوند [ 29 ]. مرجع. برای مثال، [ 30 ] مسیرهای گردشگری شخصی سازی شده ای را ارائه کرد که بر اساس علاقه و ترجیح کاربر بود، در حالی که [ 31 ] پایگاه داده جاده ها را با پارامترهای تراکم و توزیع داده های تولید شده توسط کاربر برای برنامه ریزی مسیرهای دیدنی غنی کرد. مرجع. [ 24 ] مسیرهایی را ایجاد کرد که محدودیت های ناشی از حمل و نقل عمومی را در نظر می گیرند، در حالی که [ 32 ]] ایجاد مسیرهای ایمن با اجتناب از مناطقی که ناامن و خطرناک تلقی می شوند را پیشنهاد کرد. محبوبیت و منافع عمومی معمولاً در نظر گرفته می شوند، جایی که [ 33 ]، برای مثال، مسیرهایی ایجاد می شود که از POI های شناخته شده عبور می کنند، در حالی که بر نقاط شروع و پایان از پیش تعریف شده، همراه با یک محدودیت فاصله تکیه می کنند. دیگران، مانند [ 34 ]، برنامه‌ریزی مسیری را پیشنهاد می‌کنند که در آن POI‌ها از خوشه‌بندی عکس‌های برچسب‌گذاری‌شده جغرافیایی در رسانه‌های اجتماعی استخراج می‌شوند، در حالی که مسیرهای پیاده‌روی بهینه‌شده فاصله را با استفاده از الگوریتم نزدیک‌ترین همسایه دو بعدی (NN) محاسبه می‌کنند. دیگران، مانند [ 35 ]، زمان سفر و راحتی سفر را برای پیشنهاد مسیرها ترکیب کردند، جایی که [ 36 ] از الگوریتم Dijkstra با ماتریس جاده محبوبیت وزنی برای محاسبه مسیرها استفاده کردند. مرجع. [37 OP را با تعریف مجموعه‌ای متوالی از داده‌های POI برای به حداکثر رساندن رضایت مسافر در برنامه‌ریزی مسیر حل کرد، در حالی که [ 38 ] از یک روش نمودار وزن برای برنامه‌ریزی مسیر استفاده کرد.
در تحقیق ما، هدف ما توسعه یک رویکرد جدید است که از تجزیه و تحلیل ژئوتصویرسازی سه بعدی برای اعتبارسنجی و ارزیابی مسیرهای گردشگری که بر داده‌های بزرگ با برچسب جغرافیایی ضمنی ذخیره شده در رسانه‌های اجتماعی متکی هستند، استفاده می‌کند. روش توسعه‌یافته ما بر اساس اطلاعات جغرافیایی طبقه‌بندی‌شده سه‌بعدی دقیق و بسیار دقیق است که به ما امکان تجسم، تجزیه و تحلیل و ارزیابی تجربه گردشگری را می‌دهد.

3. روش شناسی

با محاسبه مسیری که تجربه گردشگری را به حداکثر می‌رساند، مکان‌های جغرافیایی را بر اساس جذابیت‌های شهری جمع‌سپاری می‌کنیم که بر اساس طبیعت فتوژنیک مکان‌های استخراج‌شده از عکس‌های فلیکر است. برای این، ما بر روی ایده های ارائه شده در [ 39 ]، که در اینجا ارائه خواهد شد، بنا می کنیم. سپس، ابزار تحلیل دید سه بعدی مورد استفاده برای ارزیابی مسیرهای گردشگری محاسبه شده را توصیف می کنیم.

3.1. محاسبه مسیرهای گردشگری

3.1.1. داده عکس

به غیر از شی نشان داده شده در عکس ها، همه عکس ها در فلیکر ابرداده ها را ذخیره می کنند. شکل 1 یک مثال را نشان می دهد: پس زمینه تمام عکس های موجود برای یک منطقه خاص در منهتن، نیویورک را نشان می دهد، که در آن هر نقطه نشان دهنده موقعیت جغرافیایی است که عکس توسط کاربر از آن گرفته شده است. جدول پایین بخشی از ابرداده آن عکس را نشان می‌دهد (محل نشان داده شده در یک دایره قرمز). ابرداده هایی که ما برای تجزیه و تحلیل رفتار و الگوی عکاسان فلیکر در منطقه مورد تجزیه و تحلیل استفاده می کنیم عبارتند از: مکان (X، Y)، آدرس اینترنتی (عکس)، تاریخ (مهر زمانی که عکس گرفته شد) و کاربر (ID).
3.1.2. عکاس گردشگری
فلیکر به کاربران اجازه می دهد تا فعالیت ها و رویدادهای روزمره خود را با استفاده از عکس ها به تصویر بکشند و به اشتراک بگذارند. به غیر از تجزیه و تحلیل عکس ها (که نیاز به تجزیه و تحلیل تصویر دارد)، در عوض الگو و رفتار کاربران را بررسی می کنیم. از آنجایی که هدف ما محاسبه مسیرهای گردشگری است، باید عکس هایی را بازیابی کنیم که زمینه گردشگری دارند، یعنی توسط گردشگران گرفته شده است. این امر با شناسایی عکاسانی که فعالیت‌های گردشگری و توصیف‌کننده‌های گردشگری را با توجه به مسیر عکس خود ارائه می‌کنند، به دست می‌آید. طبق [ 40 ، 41 ]، گردشگران مصرف گردشگری قابل مقایسه ای را برای یک منطقه خاص نشان می دهند، به طوری که ما مجموعه ای از توصیفگرهای تطبیقی ​​مکانی-زمانی را به کار می گیریم که مشخصه فعالیت گردشگری است – و سایر عکاسان را فیلتر می کنیم. توصیفگرهای تطبیقی ​​عبارتند از:

  • مدت زمان سفر (بازدید): مدت سفر، که احتمالاً چندین روز را شامل می شود، یک کاربر منفرد بین اولین ( تیسمن) و آخرین ( تیهمن) برچسب زمانی عکس دارای برچسب جغرافیایی. میانگین مدت زمان بازدید t میانگین در بین n کاربر در رابطه (1) تعریف شده است.

    تیآvg=∑من=1n(تیهمن-تیسمن)n
  • تعداد عکس: گردشگران به احتمال زیاد در طول سفر خود چندین عکس می گیرند. ما تعداد عکس‌های گرفته‌شده توسط هر کاربر را می‌شماریم، در حالی که آستانه حداقل سه عکس دور برای هر کاربر (به عنوان مثال، [ 10 ]) به‌عنوان حداقل تعداد مکان‌های بازدید شده که یک مسیر عکس را نشان می‌دهند، تعریف می‌شود.
  • فاصله سفر: مسافت طی شده انباشته ( Du ) یک کاربر خاص محاسبه می شود. حداكثر آستانه پنجاه كيلومتر براي اطمينان از بازيابي فعاليت پياده روي استفاده مي شود (مثلاً برخلاف دوچرخه و حمل و نقل عمومي).

  • سرعت سفر: یک سفر با سرعت سفر V u ، شامل سفرهای چند روزه، با توجه به مسافت پیموده شده انباشته D u تقسیم بر فاصله زمانی بین آخرین ( t e ) و اول ( t s ) محاسبه می شود (معادله (2)). ) مهر زمانی عکس. نقاط دورتر بزرگتر از 10 کیلومتر در ساعت برای اطمینان از فعالیت پیاده روی فقط حذف می شوند.

    vتو=Dتوتیه-تیس
با تغییر تکراری مقدار میانگین مدت زمان سفر ( t avg )، مقادیر دیگر توصیفگر را به طور همزمان برای یک منطقه خاص محاسبه می‌کنیم و تمایز بین تکرارها را برای تعریف رایج‌ترین توصیفگرهای فعالیت گردشگری مشترک تجزیه و تحلیل می‌کنیم. عکاسی که تمام توصیف‌گرها را اعتبار می‌دهد، به‌عنوان یک توریست برچسب‌گذاری می‌شود و ما فراداده‌های عکس‌های دارای برچسب جغرافیایی او را در یک ساختار داده، که در شکل 2 نشان داده شده است ، برای مراحل متوالی ذخیره می‌کنیم.
3.1.3. شناسایی مکان های محبوب
ما منطقه مورد تجزیه و تحلیل را به سلول‌هایی با اندازه مساوی تقسیم می‌کنیم تا مکان‌های اصلی محبوب و پربازدید (مکان‌های دیدنی، POI) که توسط عکاسان بازدید شده‌اند را بازیابی کنیم. استفاده از سلول ها امکان خوشه بندی سریع و شهودی عکس ها را برای هر سلول در ناحیه مورد تجزیه و تحلیل می دهد. ما از اندازه سلول 250 × 250 متر استفاده می کنیم (به عنوان مثال، [ 42 ، 43])، با فرض این که این اندازه ساختار شبکه مشترک خیابان های شهر را نشان می دهد و این واقعیت که یافتن مکان های جذاب مجاور در این فاصله نادر است. از آنجایی که ما مسیرهای پیاده روی حداقل چند صد متر را تجزیه و تحلیل می‌کنیم، رویکرد سلول شبکه تضمین می‌کند که هر سلول دارای یک POI خواهد بود و بر فرآیندهای خوشه‌بندی جایگزین که از مقادیر هسته غیرتطبیقی ​​استفاده می‌کنند (مثلاً مبتنی بر چگالی) غلبه می‌کند که می‌تواند منجر به تعداد زیادی شود. عکس‌های پراکنده در یک POI منفرد – به‌جای چندین عکس (به عنوان مثال، [ 44]). اندازه سلول شبکه کوچکتر امکان بازیابی مکان های جذاب محلی را برای محاسبه مسیرهای تنظیم شده بیشتر فراهم می کند. با این حال، این مسیرها می‌توانند از نظر قابلیت پیاده‌روی کمتر طبیعی باشند و به دلیل هماهنگی POI‌های متعدد اطراف که محبوبیت کمتری نشان می‌دهند، انحرافات پیاده‌روی و انحراف‌های بیشتری ایجاد می‌کنند. یک محاسبه مرکز روی تمام عکس‌هایی که در وسعت سلول قرار می‌گیرند برای شناسایی مکان POI اجرا می‌شود. POI باید مکان فیزیکی جاذبه گردشگری (به عنوان مثال، نقطه عطف، مکان، نقطه دید) را که عکاسان در طول سفر خود ثبت کرده‌اند، به تصویر بکشد، به این معنی که اکثر عکس‌ها در آن سلول در مجاورت آن گرفته شده‌اند. برای هر سلول، یک معیار محبوبیت ایجاد می‌کنیم که شامل تعداد عکاسانی است که در طول سفر از آن عبور می‌کنند و تعداد عکس‌ها. شکل 3نمونه ای از نتیجه این فرآیند را به تصویر می کشد. محبوبیت سلول با توجه به تعداد عکاسان منحصر به فرد گردشگری که از سلول عبور می کنند اندازه گیری می شود (رتبه بندی می شود). در صورتی که عکاس گردشگری وجود نداشته باشد، تعداد عکس های انباشته شده در آن سلول به عنوان معیار محبوبیت استفاده می شود. سلول‌هایی که حجم بازدیدکننده بیشتری از عکاسان گردشگری دارند، جذاب‌تر محسوب می‌شوند و درک بهتری از مصرف واقعی گردشگری در منطقه، از نظر الگوها و فعالیت‌ها، امکان‌پذیر می‌سازند.
3.1.4. محاسبه مسیر
ما از یک الگوریتم محاسبه مسیر اکتشافی حریصانه استفاده می‌کنیم که امتیاز محبوبیت مسیر پیشنهادی را بر اساس رتبه‌بندی از پیش تعریف‌شده عکاسان گردشگری و تعداد عکس‌ها به حداکثر می‌رساند. این رویکرد اجرای سریع و شهودی را با توجه به حداقل محدودیت فاصله بین نقاط مبدا و مقصد از پیش تعریف شده تضمین می‌کند، در حالی که با عبور از سلول‌های محبوب، تجربه گردشگری را غنی می‌کند.
یک گراف قابل مسیریابی بین نقطه مبدا ( S ) و نقطه مقصد ( T ) S → T به عنوان یک گراف جهت دار G = (V , E) تعریف می شود که V مجموعه ای از رئوس و E مجموعه ای از یال ها است. هر رأس V i نشان دهنده مرکز عکس های دارای برچسب جغرافیایی در یک سلول است. هر لبه E iانتقال از یک سلول به سلول مجاور را با توجه به انتقال محبوبیت تعریف شده از رتبه بندی نشان می دهد. مسیریابی از نقطه مبدا تا نقطه مقصد (به جلو) و بالعکس (عقب) انجام می شود، در حالی که ممکن است هر دو مسیر به دلیل رتبه بندی استفاده شده از نظر هندسی منطبق نباشند. ما از کوتاه ترین فاصله تا محدودیت نقطه مقصد، همراه با حذف سلول های بازدید شده از ساختار داده استفاده می کنیم. استفاده از رویکرد حریصانه اکتشافی، عبور از سلول هایی را که در کوتاه ترین محدودیت مسیر محبوب ترین هستند، تضمین می کند. بر این اساس، آزمون امتیاز محبوبیت در مسیرهای محاسبه شده رو به جلو و عقب انجام می شود و مسیری که بالاترین امتیاز محبوبیت را بین این دو داشته باشد، به عنوان مسیر گردشگری انتخاب می شود.

امتیاز محبوبیت مسیر f برای یک نمودار معین G = (V , E) در رابطه (3) تعریف شده است، که در آن n شاخص سلول و N تعداد عکاسان گردشگری در سلول است.

f(پoپتولآrمنتیyسجorه)=∑من=1nنn(nتومتربهr of تیoتوrمنسمتر پساعتoتیogrآپساعتهrس)
پس از محاسبه مسیر گردشگری بین ایستگاه‌های بین متوالی استخراج‌شده در نمودار، الگوریتم از Google Maps API برای در نظر گرفتن شبکه جاده‌ای عابر پیاده با اعمال محاسبه مسیر حالت سفر پیاده‌روی بین ایستگاه‌های بین راه (به عنوان مثال، POI) استفاده می‌کند.

3.2. تجزیه و تحلیل دید

ارزیابی مسیر گردشگری مبتنی بر مدل تحلیل دید سه بعدی پویا است که در [ 20 ] ارائه شده است. این مدل روشی را شبیه‌سازی می‌کند که عابران پیاده به طور بالقوه محیط شهری را مشاهده و تجربه می‌کنند، در حالی که به ما اجازه می‌دهد تا ویژگی‌ها و انواع مختلف (نوع‌شناسی) محیط ساخته‌شده، اثر یکپارچه هندسه محیط، و همچنین عناصر مختلف را در نظر بگیریم. نمای، مانند سطوح، درختان و پوشش گیاهی، ساختمان ها و انواع ساختمان ها، جاده ها، بدنه های آبی و آسمان دور.
برای انجام تجزیه و تحلیل، ابتدا یک مدل سه بعدی دقیق از منطقه مورد تجزیه و تحلیل می سازیم. یک مدل سه بعدی Rhino از منهتن بر اساس یک مدل سه بعدی دقیق به دست آمده از CADMapper ( https://cadmapper.com/ قابل دسترسی در 2 فوریه 2021) گردآوری شده است، که شامل توپوگرافی، ساختمان ها/سازه ها، پارک ها و بدنه های آبی است. برای تمایز بین ویژگی‌های مختلف شهری برای تجزیه و تحلیل ژئوتصویرسازی، ما عناصر مختلف دسته‌بندی ویژگی‌های منطقه (به عنوان مثال، کاربری زمین، نشانه‌ها، ساختمان‌ها، درختان) را با رنگ متمایز کرده‌ایم. پوشش گیاهی، به عنوان مثال، پارک‌های کوچک و تک درختان، که از سرشماری داده‌های باز نیویورک به دست آمده‌اند ( https://data.cityofnewyork.us/Environment/2015-Street-Tree-Census-Tree-Data/pi5s-9p35مشاهده شده در 2 فوریه 2021)؛ مقوله‌های نشانه‌ها، کاربری زمین و ویژگی‌ها (ساختمان) عمدتاً از چهار ضلعی ( https://foursquare.com/ قابل دسترسی در 2 فوریه 2021) و زولا ( https://zola.planning.nyc.gov/about/ در تاریخ 2 ) به دست آمده‌اند. فوریه 2021)؛ نماهای تجاری در سطح خیابان از نمای خیابان گوگل به دست آمد. نمایش دو بعدی حاصل از این فرآیند در شکل 4 (بالا) نشان داده شده است، جایی که شکل 4(پایین) مدل سه بعدی Rhino از منطقه را با بافت شهری به تصویر می کشد. در هر دو تصویر، رنگ ها نشان دهنده دسته بندی های مختلف اشیاء مورد استفاده در تجزیه و تحلیل ما هستند. به عنوان مثال، رنگ نارنجی ساختمان های مسکونی، بنفش ساختمان های تجاری، صورتی نشانه ها و سبز درختان و پارک ها را نشان می دهد.

ابزار تحلیل دید سه بعدی در Grasshopper پیاده سازی شده است که با توجه به مسیر ارزیابی شده، دیدگاه های متوالی در فاصله 10 متری در پیاده روها قرار می گیرد. از هر نقطه نظر، خطوط دید متعدد (LOS) به صورت فضایی به طور مساوی پراکنده می شوند تا نمای مشاهده شده توسط عابر پیاده را شبیه سازی کنند، که در شکل 5 نشان داده شده است.. LOS با رسم خطوط مجازی از نقطه دید به شبکه ای از نقاط ایجاد می شود که در یک صفحه منحنی در جهت حرکت در امتداد مسیر تعریف شده نمایش داده می شوند. LOS توسط اولین عنصر یا سطحی مات فضایی که با یکدیگر برخورد می کنند قطع می شوند و طول (فاصله) آنها اندازه گیری و ثبت می شود. فاصله سه بعدی LOS به 1 کیلومتر محدود شده است، با فرض فاصله قابل مشاهده در بافت شهری. در صورت عدم تقاطع با اشیاء، LOS به صورت متقاطع با دسته آسمان تعریف می شود. جذر فاصله خطوط از ناظر تا جسم محاسبه می‌شود، با این فرض که هر چه عنصر نزدیک‌تر باشد، ادراک و تجربه آن بر روی ناظر (عابر پیاده) قوی‌تر می‌شود، و با فرض نزدیک‌تر شدن، روی الگوی دید. به واقعیت اجسام بلندتر و گسترده تر تأثیر قوی تری بر تجربه ناظر دارند، در حالی که آنها از بسیاری از LOS و دیدگاه های بیشتری دیده می شوند. رنگ دسته اشیاء ثبت شده است، که برای تجزیه و تحلیل geovisualization از نظر LOS دید جمعی برای هر دیدگاه در مسیر، در مورد ما از نظر جذابیت گردشگری، انباشته و ذخیره می شود. حرکت پویا پیاده روی در طول مسیر گردشگری – و مسیر شهری در این مثال – به عنوان محاسبات دید انباشته از دیدگاه های متوالی در امتداد آن مسیر به سمت نقطه هدف (مقصد) نشان داده می شود. این از طریق نمودارهای geovisualization نشان داده می شود که فاصله و شدت دید را برای هر دیدگاه مستند می کند. همانطور که در معادله (4) فرموله شده است، امتیاز دید دسته به عنوان فاصله LOS انباشته تعریف می شود ( که برای تجزیه و تحلیل geovisualization از نظر LOS دید جمعی برای هر دیدگاه در مسیر، در مورد ما از نظر جذابیت گردشگری، انباشته و ذخیره می شوند. حرکت پویا پیاده روی در طول مسیر گردشگری – و مسیر شهری در این مثال – به عنوان محاسبات دید انباشته از دیدگاه های متوالی در امتداد آن مسیر به سمت نقطه هدف (مقصد) نشان داده می شود. این از طریق نمودارهای geovisualization نشان داده می شود که فاصله و شدت دید را برای هر دیدگاه مستند می کند. همانطور که در معادله (4) فرموله شده است، امتیاز دید دسته به عنوان فاصله LOS انباشته تعریف می شود ( که برای تجزیه و تحلیل geovisualization از نظر LOS دید جمعی برای هر دیدگاه در مسیر، در مورد ما از نظر جذابیت گردشگری، انباشته و ذخیره می شوند. حرکت پویا پیاده روی در طول مسیر گردشگری – و مسیر شهری در این مثال – به عنوان محاسبات دید انباشته از دیدگاه های متوالی در امتداد آن مسیر به سمت نقطه هدف (مقصد) نشان داده می شود. این از طریق نمودارهای geovisualization نشان داده می شود که فاصله و شدت دید را برای هر دیدگاه مستند می کند. همانطور که در معادله (4) فرموله شده است، امتیاز دید دسته به عنوان فاصله LOS انباشته تعریف می شود ( حرکت پویا پیاده روی در طول مسیر گردشگری – و مسیر شهری در این مثال – به عنوان محاسبات دید انباشته از دیدگاه های متوالی در امتداد آن مسیر به سمت نقطه هدف (مقصد) نشان داده می شود. این از طریق نمودارهای geovisualization نشان داده می شود که فاصله و شدت دید را برای هر دیدگاه مستند می کند. همانطور که در معادله (4) فرموله شده است، امتیاز دید دسته به عنوان فاصله LOS انباشته تعریف می شود ( حرکت پویا پیاده روی در طول مسیر گردشگری – و مسیر شهری در این مثال – به عنوان محاسبات دید انباشته از دیدگاه های متوالی در امتداد آن مسیر به سمت نقطه هدف (مقصد) نشان داده می شود. این از طریق نمودارهای geovisualization نشان داده می شود که فاصله و شدت دید را برای هر دیدگاه مستند می کند. همانطور که در معادله (4) فرموله شده است، امتیاز دید دسته به عنوان فاصله LOS انباشته تعریف می شود (د ) بین هر دیدگاه ( i ) در طول مسیر هر شی دسته ( j ). فرآیند تجزیه و تحلیل دید در Grasshopper به طور خودکار انجام می شود، از جمله ایجاد نمودارهای دید، در حالی که زمان محاسبه مورد نیاز برای هر تجزیه و تحلیل دیدگاه تقریباً 3 دقیقه طول می کشد تا تکمیل شود.

سیآتیهgory Vمنسمنبمنلمنتیy اسجorه=∑منn∑jمترDمنj

4. تجزیه و تحلیل تجربی

ارزیابی برای منهتن، نیویورک، ایالات متحده آمریکا انجام شده است. عکس‌های فلیکر برای یک دوره 6 ساله، از سال 2010 تا 2016 دانلود شدند. جدول 1 آمار اصلی داده‌های عکس فلیکر استفاده شده را نشان می‌دهد.

4.1. عکاسان گردشگری

حداقل مقدار فاصله مسیر 1 متر و حداقل فاصله زمانی 1 ثانیه از مسیر عکاس برای فیلتر کردن داده های نامربوط و بی معنی تعریف شد. با استفاده از این دو آستانه، تعداد کاربران (عکاسان) بیش از 50 درصد کاهش یافته و به 9026 نفر رسیده است. پس از فیلتر اولیه، توصیفگرهای تطبیقی ​​در بخش 3.1.2 ارائه شده است.به صورت تکراری و همزمان محاسبه می‌شوند و فعالیت گردشگری مشترک مربوط به مسیرهای سفر عکاسان گردشگری در منهتن را استخراج می‌کنند. حجم عکاسان در هر سفر در حال کاهش است، در حالی که بیشتر عکاسان بین یک تا پنج روز وجود دارند. تجزیه و تحلیل آماری پارامترهای اضافی، مانند میانگین مسافت سفر و میانگین تعداد عکس، نشان می دهد که مقادیر آنها در این مدت زمان به طور قابل توجهی تغییر نمی کند.
بر این اساس، ما یک مدت زمان ارزش پنج روزه را برای تعریف فعالیت گردشگری پیاده روی و ویژگی های سفر منطقه مورد تجزیه و تحلیل در منهتن تعریف کرده ایم. این مقدار با گزارش‌های رسمی منهتن ارجاع داده شد، در حالی که نظرسنجی انجام شده توسط اتحاد برای مرکز شهر نیویورک ( https://www.seathecity.com/nyc-tourism-facts-statistics/ در 2 فوریه 2021) در سال 2018 انجام شد. دریافتند که میانگین تعداد روزهای اقامت گردشگران در منهتن 5.5 است. این فرضیه ما را در مورد فعالیت گردشگری در منطقه مورد تجزیه و تحلیل ما تأیید می کند و رویکرد کل نگر ما را برای کار با مقادیر محاسبه شده تطبیقی ​​تأیید می کند.
تجزیه و تحلیل توزیع مسیر عکاسان گردشگری نشان می‌دهد که بیشتر آنها در اطراف مراکز شهر جمع شده‌اند – الگویی که با ساکنان منطقه مرتبط نیست – که با یافته‌های [ 45 ] مطابقت دارد. آستانه سرعت کمک کرد تا عکاسانی که مسافت های طولانی را در مدت زمان کوتاهی سفر می کنند، که باید شبیه حالت سفری غیر از راه رفتن باشد، حذف شوند. در نتیجه، تقریباً 20 درصد از کل کاربران (عکاسان) به عنوان نشان دهنده ویژگی های گردشگری شناسایی شدند.

4.2. مکان های محبوب

ما از Moran’s I برای اعتبار سنجی بازیابی مکان های محبوب استفاده می کنیم. Moran’s I یک ابزار تحلیل فضایی است که برای اندازه گیری خودهمبستگی فضایی جهانی و محلی داده ها استفاده می شود [ 46 ]. موران محلی برای تجزیه و تحلیل توزیع داده ها و تفاوت بین خوشه های فضایی عکس ها و عکاسان بر اساس تعداد ویژگی های هر گروه، در حالی که بر پارتیشن سلول شبکه ای فضا تکیه می کند، استفاده می شود. ما خودهمبستگی فضایی (Moran’s I) را با توجه به تحلیل مبتنی بر ویژگی با استفاده از آمار جهانی Moran’s I پیاده سازی می کنیم. آزمون سراسری توزیع کامل الگوهای فضایی همه داده ها را بررسی می کند. این آزمون بررسی می کند که آیا داده ها خوشه ای، پراکنده یا به طور تصادفی توزیع شده اند.
تجزیه و تحلیل جهانی موران I پیاده سازی شده است، با نتایج آزمون فرضیه که در جدول 2 به تفصیل آمده است ، نشان می دهد که فرضیه صفر (امتیاز z) برای عکس ها و عکاسان رد شده است، به این معنی که مقدار مثبت برای شاخص موران I هر دو عکس و عکاسان نشان می دهد که خوشه های فضایی با اطمینان 99٪ وجود دارند.
Anselin Local Moran’s I برای بررسی همبستگی فضایی ویژگی مورد بررسی [ 47 ] – در مورد ما، امتیاز محبوبیت عکس‌ها در مقابل عکاسان، اجرا می‌شود. اگر هیچ نقطه پرت شناسایی نشود، امتیاز محبوبیت از نظر آماری خوشه بندی می شود. برای تجزیه و تحلیل از ابزار تحلیل خوشه ای و پرت (Anselin Local Moran’s I) در ArcGIS استفاده شده است.
شکل 6تجزیه و تحلیل خوشه ای را بر اساس تحلیل محلی موران I Anselin به تصویر می کشد. تصویر سمت چپ رویکرد ما را نشان می‌دهد که در آن فقط عکاسان گردشگری خوشه‌بندی شده‌اند، در حالی که تصویر سمت راست همه خوشه‌های عکس موجود در منطقه را نشان می‌دهد. تصویر سمت چپ تمایز واضحی را بین سلول‌های مجاور مختلف با مقادیر متفاوت نشان می‌دهد، که شناسایی مکان‌های محبوب‌تر در منطقه را که به شدت خوشه‌بندی شده‌اند آسان می‌کند – نقاط پرت بالا و پایین (نقاط داغ). همچنین شناسایی مکان های کمتر محبوب که به عنوان نقاط دورافتاده Low-High (نقاط سرد) برچسب گذاری شده اند، آسان است. برخلاف آن، تصویر سمت راست بسیار همگن‌تر است و مقادیر خوشه‌ای نسبتاً مشابهی را برای سلول‌های همسایه نشان می‌دهد که توسط خوشه‌های High-High نشان داده شده‌اند، که به طور یکنواخت در ناحیه مرکزی منهتن توزیع شده‌اند، که شناسایی مکان‌های محبوب‌تر را دشوار می‌کند.

4.3. مطالعه موردی I

4.3.1. محاسبه مسیر

با استفاده از الگوریتم خود برای تجزیه و تحلیل مسیر سلولی، نقشه‌ای را بازیابی می‌کنیم که سلول‌ها و مناطقی را نشان می‌دهد که محبوب‌تر از سایرین هستند، که با تعداد عکاسان گردشگری که از هر سلول عبور می‌کنند، تعریف شده‌اند. با استفاده از لایه نقشه جغرافیایی نقشه های گوگل، کاربر مبدا و نقاط مقصدی را که می خواهد مسیر گردشگری پیاده روی را برای آنها محاسبه کند، انتخاب می کند. الگوریتم ما به طور خودکار یک مسیر پیاده روی جامع را برای کاربر محاسبه و توصیه می کند که امتیاز محبوبیت گردشگری را به حداکثر می رساند. دو مطالعه موردی مورد بررسی و ارزیابی قرار می‌گیرند که دو مسیر را به تصویر می‌کشند که با مکان‌های معروف و محبوب در منهتن، نیویورک مشخص می‌شوند. اگرچه هر دو مسیر از منهتن مرکزی عبور می کنند، اما از نظر بافت محیطی و بافت شهری متفاوت هستند. به ما اجازه می دهد تا رویکرد تحلیل دید سه بعدی را برای انواع دسته بندی مسیرهای پیاده روی گردشگری اعتبارسنجی و بررسی کنیم. مطالعه موردی 1 بین ترمینال گرند سنترال و ترمینال کروز منهتن، یک مسیر همگن تر از شرق به غرب در مرکز منهتن تعریف شده است که از برخی از مشهورترین نقاط دیدنی گردشگری در این منطقه (به عنوان مثال، میدان تایمز) عبور می کند. مطالعه موردی 2 بین باغ وحش سنترال پارک و ساختمان امپایر استیت تعریف شده است، یک مسیر شمال به جنوب در مرکز منهتن که ناهمگون‌تر در نظر گرفته می‌شود و از خیابان‌های خرید محبوب و جاذبه‌های گردشگری عبور می‌کند – و همچنین مناظری با فضاهای سبز باز. یک مسیر شرقی-غربی همگن تر در مرکز منهتن که از برخی از مشهورترین نقاط دیدنی گردشگری در این منطقه (مثلاً میدان تایمز) عبور می کند. مطالعه موردی 2 بین باغ وحش سنترال پارک و ساختمان امپایر استیت تعریف شده است، یک مسیر شمال به جنوب در مرکز منهتن که ناهمگون‌تر در نظر گرفته می‌شود و از خیابان‌های خرید محبوب و جاذبه‌های گردشگری عبور می‌کند – و همچنین مناظری با فضاهای سبز باز. یک مسیر شرقی-غربی همگن تر در مرکز منهتن که از برخی از مشهورترین نقاط دیدنی گردشگری در این منطقه (مثلاً میدان تایمز) عبور می کند. مطالعه موردی 2 بین باغ وحش سنترال پارک و ساختمان امپایر استیت تعریف شده است، یک مسیر شمال به جنوب در مرکز منهتن که ناهمگون‌تر در نظر گرفته می‌شود و از خیابان‌های خرید محبوب و جاذبه‌های گردشگری عبور می‌کند – و همچنین مناظری با فضاهای سبز باز.
برای مطالعه موردی 1، مسیر رو به جلو به دلیل میزان محبوبیت بالاتر، توریستی‌تر در نظر گرفته می‌شود: 568 عکاس گردشگری انباشته شده، با توجه به 282 در مسیر عقب، تأیید می‌کنند که مسیر گردشگری بهینه از سلول‌های محبوب‌تر عبور می‌کند (حداکثر امتیاز محبوبیت f ). شکل 7مسیرهای پیاده‌روی حاصل را که توسط الگوریتم محاسبه شده است، به تصویر می‌کشد، که برای مقاصد مقایسه – کوتاه‌ترین مسیر تولید شده توسط Google Maps – به ترتیب تقریباً 5.2 کیلومتر و 3.0 کیلومتر طول داشتند. شکل نشان می دهد که مسیر گردشگری از نقاط اصلی جاذبه در محدوده موجود بین مبدا و نقاط مقصد تعریف شده می گذرد. این جاذبه‌های اصلی معمولاً در کتاب‌های راهنمای گردشگری و وب‌سایت‌ها مانند تریپ ادوایزر ارائه شده و رتبه بالایی دارند. اگرچه مکان 6 در تریپ ادوایزر ظاهر نمی شود، اما به این معنی نیست که یک جاذبه نیست. برعکس، معیار محبوبیت نشان می دهد که این مکان – آشپزخانه جهنمی و فرصت عکاسی از منطقه – در بین گردشگران بسیار محبوب است و عکاسان بسیاری را به خود جذب می کند، به طوری که می توان آن را در مسیر برنامه ریزی شده قرار داد.
4.3.2. ارزیابی کمی دید سه بعدی
برای اعتبارسنجی روش‌شناسی و نتایج برنامه‌ریزی مسیر گردشگری پیشنهادی، یک ارزیابی کمی با ابزار تحلیل بصری سه‌بعدی انجام می‌دهیم که تجربه بصری کاربر در حال پیاده‌روی در مسیر گردشگری را به طور مقایسه‌ای تحلیل و ارزیابی می‌کند. برای درک کمی و تجسم نتیجه تحلیل‌های بصری سه‌بعدی، همه انواع دسته‌بندی اشیاء را با نمودارهایی که در شکل 8 نشان داده شده است ، که در آن محور X فاصله پیاده‌روی انباشته‌ای از دیدگاه‌ها در طول مسیر (مسیر) و Y است، ژئوتصویرسازی می‌کنیم.-axis جذر فاصله خطوط از ناظر تا جسم است. برای مقاصد مقایسه ای، کوتاه ترین مسیر را نیز ارائه می دهیم. کوتاه ترین مسیر دارای 275 دیدگاه، نصف طول مسیر گردشگری و دارای 547 دیدگاه است. شکل 9 نوع دسته بندی نشانه را نشان می دهد (به رنگ صورتی نشان داده شده است)، که در آن می توانیم ببینیم که مسیر گردشگری دارای هفت قله شاخص است که با نشانه های نشان داده شده در شکل 7 مطابقت دارد.پراکنده در طول مسیر، به این معنی که غنی از این اشیاء است، دارای اوج – توالی و – قدر; کوتاه ترین مسیر Google Maps یک نقطه عطف را نشان می دهد که میدان تایمز است. تجسم جغرافیایی تحلیل دید سه بعدی تأیید می کند که تأثیر کلی و تجربه مکان های دیدنی در مسیر گردشگری بسیار بالا است و به عابران پیاده تجربه پیاده روی ناهمگن و جذابی می دهد که نتیجه دانش انباشته شده از مسیرهای عکاسان گردشگری فلیکر است. .
به غیر از مکان‌های دیدنی، می‌توانیم ببینیم که توریستی که مسیر گردشگری را پیاده‌روی می‌کند، یک تجربه کلی پیاده‌روی غنی و جذاب را درک می‌کند. این در شکل 10 نشان داده شده استکه بزرگی و توالی مناطق سبز و مناظر باز را نشان می دهد که از درختان، پارک ها و بدنه های آبی (آب نما در منهتن) درک می شود. این بیشتر پتانسیل تجزیه و تحلیل دید سه بعدی را ثابت می کند که با کمی کردن عناصر اضافی که تأثیر مثبت دارند و توسط کاربر مشاهده می شوند، درک جامع تری از تجربه کاربر ایجاد می کند. این همچنین به این معنی است که مسیر گردشگری از تراکم ساختمان‌های کمتری عبور می‌کند که امکان دید بهتر در منطقه اطراف را فراهم می‌کند. بر این اساس، ابزار دید سه بعدی درک جامعی از محیط ساخته شده و ارتباط متناظر مسیر ارائه می‌کند، که در آن سایر فرآیندهای ارزیابی نمی‌توانند ارائه کنند.

4.4. مطالعه موردی II

4.4.1. محاسبه مسیر

نقطه مبدا ساختمان امپایر استیت و نقطه مقصد باغ وحش سنترال پارک است. شکل 11 مسیر پیاده‌روی گردشگری حاصل را نشان می‌دهد که از مکان‌های دیدنی و جاذبه‌های اصلی در منطقه موجود بین نقاط مبدأ و مقصد تعریف‌شده عبور می‌کند و تأیید می‌کند که با استفاده از حداکثر امتیاز محبوبیت f از سلول‌های محبوب‌تر عبور می‌کند. این جاذبه‌ها عبارتند از ساختمان کرایسلر، ترمینال بزرگ مرکزی، نمای ساختمان مرکز راکفلر، خیابان پنجم و پارک برایانت. علاوه بر این، در بخش شمالی خود، مسیر گردشگری یک انحراف در داخل پارک مرکزی ایجاد می‌کند و یک مسیر نمای مناظر را نشان می‌دهد که در حال عبور از POI‌های محبوب اصلی در داخل پارک است – یک انحراف که به لطف معیار محبوبیت ایجاد شده از عکس‌های موجود محاسبه شده است.
4.4.2. ارزیابی کمی دید سه بعدی
همانطور که در مطالعه موردی 1، ژئوتصویرسازی سه بعدی تحلیل دید سه بعدی ثابت می کند که تأثیر کلی و تجربه مکان های دیدنی در مسیر گردشگری بسیار زیاد است. در شکل 12 (بالا) نشان داده شده است، مسیر گردشگری در حال عبور از نقاط دیدنی بسیاری است که در طول مسیر توزیع شده اند و یک تجربه کلی غنی و جذاب پیاده روی را نشان می دهد. علاوه بر این، همانطور که در شکل 12 (پایین) نشان داده شده است، بزرگی و توالی مناطق سبز و نماهای باز، به ویژه جایی که مسیر در بخش پایانی خود از پارک مرکزی عبور می کند، بر مناظر و جذابیت مسیر تأکید می کند که به وضوح قابل شناسایی است. تجسم جغرافیایی تحلیل سه بعدی، به تجربه کلی کاربر کمک می کند که تأثیر مثبتی دارد.
همبستگی قوی بین تحلیل دید سه بعدی و میزان جذابیت شهری مسیرهای عابر پیاده که معمولاً توسط گردشگران سفر می‌شوند، پیدا شد. مدل تجزیه و تحلیل دید سه بعدی به وضوح پتانسیل خود را برای شناسایی شاخص های دید بالا عناصر مرتبط با گردشگری و اوقات فراغت (مانند دید به نقاط دیدنی و مناظر فضای سبز، درختان و بدنه های آبی) نشان می دهد. همچنین این فرضیه ما را برای استفاده از داده‌های عکس رسانه‌های اجتماعی جمع‌سپاری که می‌تواند کیفیت‌های جذابی ایجاد کند، به‌ویژه برای مناطق و سایت‌هایی که به‌عنوان جاذبه‌های گردشگری در پلتفرم‌های گردشگری سنتی علامت‌گذاری نشده‌اند، تأیید می‌کند. علاوه بر این، تجزیه و تحلیل دید سه بعدی برای پیش بینی کیفی مربوط به میزان جذابیت مسیرهای عابر پیاده شهری ارائه شد. بر اساس این مدل،

5. بحث و کار آینده

این تحقیق یک ارزیابی جایگزین نوآورانه برای برنامه‌ریزی مسیر گردشگری پیشنهاد می‌کند، جایی که ما تجربه کاربر را درک بصری کامل در نظر می‌گیریم، که تجربه سفر را شکل می‌دهد. ابزار ارزیابی مسیر بر روی دید سه بعدی متکی است که امکان تجزیه و تحلیل کمی فرکانس و بزرگی دید به انواع عناصر فضایی شهری خاص، یا ترکیبی از این عناصر (ناهمگنی در مقابل همگنی) را می دهد. این اجازه می دهد تا درک بهتری از یک تجربه فضایی خاص که برای یک مسیر خاص منحصر به فرد است.
برای ارزیابی این ابزار، استفاده از عکس‌های رسانه‌های اجتماعی جمع‌سپاری، فلیکر در مورد ما، را به عنوان منبعی برای جمع‌آوری جذابیت‌های شهری برای محاسبه مسیرهای پیاده‌روی گردشگری غنی بررسی کردیم. بر اساس مجموعه داده عکس فلیکر، مجموعه ای از توصیفگرهای مکانی-زمانی برای شناسایی عکاسانی که فعالیت گردشگری را ارائه می کنند، توسعه داده شد. استفاده از این اطلاعات به ما این امکان را می دهد که به طور خودکار POI های محبوبی را که برای محاسبه مسیرهای گردشگری بر اساس نقاط مبدأ و مقصد تعریف شده توسط کاربر استفاده می شد، بازیابی کنیم. استنتاج مناسب مسیرهای مسیرهای عکس با اطلاعاتی در مورد جذابیت بصری محیط شهری ارائه می شود. ما منهتن، نیویورک را به عنوان مطالعه موردی انتخاب کردیم که بافت شهری ترکیبی را ارائه می‌کند که بسیار غنی و پر جنب و جوش است و دارای جاذبه‌های گردشگری بسیاری است. مسیرهای محاسبه شده از نقاط دیدنی اصلی محبوب عبور می کنند، جاذبه‌ها و مناظر موجود بین مکان‌های مبدأ و مقصد تعریف‌شده توسط کاربر، اطمینان حاصل می‌کند که کاربر در حین پیاده‌روی در منطقه‌ای ناآشنا، تجربه گردشگری داشته باشد. ارزیابی کمی دید سه بعدی تأیید کرد که تجربه بصری مسیر گردشگری پیشنهادی ارزشمند است، عبور از جاذبه های گردشگری شناخته شده و مکان های جذاب بدون علامت، و همچنین سفر در مناطق کم تراکم (ساختمان های کم)، غنی سازی کاربر با مناظر و پارک ها و تجربه کلی گردشگری این اطلاعات اضافی در مورد کیفیت و تجربه مسیر در غیر این صورت قابل بازیابی نبود. ارزیابی کمی دید سه بعدی تأیید کرد که تجربه بصری مسیر گردشگری پیشنهادی ارزشمند است، عبور از جاذبه های گردشگری شناخته شده و مکان های جذاب بدون علامت، و همچنین سفر در مناطق کم تراکم (ساختمان های کم)، غنی سازی کاربر با مناظر و پارک ها و تجربه کلی گردشگری این اطلاعات اضافی در مورد کیفیت و تجربه مسیر در غیر این صورت قابل بازیابی نبود. ارزیابی کمی دید سه بعدی تأیید کرد که تجربه بصری مسیر گردشگری پیشنهادی ارزشمند است، عبور از جاذبه های گردشگری شناخته شده و مکان های جذاب بدون علامت، و همچنین سفر در مناطق کم تراکم (ساختمان های کم)، غنی سازی کاربر با مناظر و پارک ها و تجربه کلی گردشگری این اطلاعات اضافی در مورد کیفیت و تجربه مسیر در غیر این صورت قابل بازیابی نبود.
گردشگران و مردم محلی دو گروه اصلی عابر پیاده هستند که برای توصیف تجربه خود در محیط شهری عکس می گیرند. هر گروه را می توان به زیر گروه ها تقسیم کرد، در حالی که تقسیم بندی را می توان با دیدگاه ها و رویکردهای مختلف، به عنوان مثال، فرهنگی و مناظر جهت داد. اگرچه در این تحقیق ما عکس‌های گرفته شده توسط افراد محلی را به عنوان نویز در نظر گرفتیم، با این حال، فعالیت و رفتار مردم محلی می‌تواند تجربیات جهانی جامع‌تری را از تعداد زیادی از کاربران عمومی که جذابیت را در محیط‌های شهری خاص، کشف مکان‌های جدید و کمتر آشنا می‌بینند، ارائه دهد. بازدیدکنندگانی که برای اولین بار از مسیرهای دیدنی بین جاذبه های اصلی بازدید می کنند. تحقیقات جامع تری باید با هدف ادغام صحیح هر دو گروه انجام شود. که می تواند با مصرف جامع تر گردشگری به بهبود موثر مسیرهای گردشگری توصیه شده کمک کند. همچنین قصد داریم امتیاز گردشگری را به عنوان بخشی از محاسبات تحلیل دید سه‌بعدی برای بهبود امتیاز دید وزنی تحلیل ژئوتصویرسازی خود تحلیل کنیم و از شاخص‌های نحوی فضا برای تنظیم سازگاری امتیاز دید با مجاورت شهری استفاده کنیم.
ارزیابی مسیرهای گردشگری سنتی می‌تواند با تکیه بر نظرسنجی‌هایی که پرهزینه، به موقع و محدود هستند، یا صرفاً شمارش تعداد نقاط دیدنی بازدید شده محدود باشد. این تحقیق گامی در جهت استفاده از تحلیل دید سه بعدی و جذابیت به عنوان روشی معتبر برای تعریف مسیرهای پیاده روی موثر برای گردشگران است. ادغام تجزیه و تحلیل geovisualization سه بعدی با محتوای تولید شده توسط کاربر جمع‌سپاری برای محاسبه و ارزیابی مسیرهای پیاده‌روی گردشگری به ما امکان می‌دهد تصویر جامع‌تر و به‌روزتری از درک و مصرف گردشگری در فضاهای شهری ایجاد کنیم. نتایج این مطالعه می‌تواند به مصرف گردشگری و برنامه‌ریزی شهری کمک کند، عمدتاً از آنجایی که تجربه کاربری کمکی در رسانه‌های اجتماعی آنلاین مرسوم شده است و اطلاعاتی را ذخیره می‌کند که ممکن است در جای دیگری وجود نداشته باشد. همراه با این واقعیت که به روز رسانی نرخ بسیار بالا است. به طور کلی، ما معتقدیم که نتایج به‌دست‌آمده، و بینش‌های به‌دست‌آمده از این تحقیق بسیار امیدوارکننده است، و ظرفیت کمک به برنامه‌ریزان شهری را برای برنامه‌ریزی جاذبه‌های جدید در مکان‌های مختلف در شهرهایشان با درک بهتر فعالیت‌های گردشگری موجود، افشای مناطقی که کمتر انجام می‌شوند، دارند. ملاقات کرد. علاوه بر این، نتایج می تواند به توسعه زیرساخت های حمل و نقل و خدمات تبلیغاتی برای اتصال بهتر گردشگران به جاذبه های مختلف کمک کند. گردشگران قادر خواهند بود در مقاصد ناآشنا و بدون دانش اولیه حرکت کنند و به گشت و گذار بپردازند، در حالی که داده‌های به موقع و مرتبط گردشگری که در رسانه‌های اجتماعی جمع‌سپاری آنلاین ذخیره می‌شوند، به توسعه مسیرهای گردشگری آگاه از زمینه مطابق با علایق و معیارهای آن‌ها کمک می‌کنند. ابزار تجزیه و تحلیل دید سه بعدی می تواند به پایداری شهرها، ترویج پیاده روی جدید و پیاده روی کمک کند. با استفاده بی‌سابقه امروزی از پایگاه‌های اطلاعاتی و مدل‌های پیچیده سه‌بعدی، استفاده از واقعیت مجازی و استفاده از دوقلوهای دیجیتال شهری، این ابزار می‌تواند پایه‌ای برای خدمات مبتنی بر مکان تجربی باشد که توسط سیاست‌گذاران و طراحان و برنامه‌ریزان شهری به عنوان بخشی از هوشمندسازی انجام می‌شود. چشم انداز شهر

منابع

  1. در آغوش گرفتن.؛ شائو، جی. شن، اف. هوانگ، ز. Shen, HT یکپارچه سازی داده های رسانه های اجتماعی چند منبعی برای برنامه ریزی شخصی مسیر سفر. در مجموعه مقالات چهلمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، توکیو، ژاپن، 7 تا 11 اوت 2017؛ صص 893-896. [ Google Scholar ]
  2. جیانگ، اس. کیان، ایکس. می، تی. Fu, Y. توصیه توالی سفر شخصی شده در رسانه های اجتماعی بزرگ چند منبعی. IEEE Trans. کلان داده 2016 ، 2 ، 43-56. [ Google Scholar ] [ CrossRef ]
  3. رابینسون، پی. گردشگری: مفاهیم کلیدی . Routledge: لندن، بریتانیا، 2012. [ Google Scholar ]
  4. Urry, J. The Tourist Gaze-Leisure and Travel in Contemporary Societies ; انتشارات SAGE: لندن، بریتانیا، 1990. [ Google Scholar ]
  5. نواک، تی. وانگ، ز. Zipf، A. سیستمی برای ایجاد مسیرهای دلپذیر عابر پیاده بر اساس داده های OpenStreetMap. Sensors 2018 , 18 , 3794. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  6. دمبسکی، اف. وسنر، یو. لتزگوس، ام. رودات، م. یامو، سی. دوقلوهای دیجیتال شهری برای شهرهای هوشمند و شهروندان: مطالعه موردی هرنبرگ، آلمان. پایداری 2020 ، 12 ، 2307. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. Aiello، LM; شیفانلا، آر. کوئرسیا، دی. Aletta, F. Chatty maps: ساختن نقشه های صوتی مناطق شهری از داده های رسانه های اجتماعی. R. Soc. علوم را باز کنید. 2016 ، 3 ، 150690. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  8. Samany، NN استخراج خودکار نقطه عطف از عکس های رسانه های اجتماعی با برچسب جغرافیایی با استفاده از شبکه عصبی عمیق. شهرها 2019 ، 93 ، 1-12. [ Google Scholar ] [ CrossRef ]
  9. کوئرسیا، دی. شیفانلا، آر. Aiello, LM کوتاهترین مسیر برای رسیدن به شادی: توصیه مسیرهای زیبا، آرام و شاد در شهر. در مجموعه مقالات بیست و پنجمین کنفرانس ACM در مورد فرامتن و رسانه های اجتماعی، سانتیاگو، شیلی، 1-4 سپتامبر 2014. صص 116-125. [ Google Scholar ]
  10. دی چودوری، ام. فلدمن، ام. عامر یحیی، س. گلبندی، ن. لمپل، آر. Yu, C. ساخت خودکار برنامه های سفر با استفاده از خرده نان اجتماعی. در مجموعه مقالات بیست و یکمین کنفرانس ACM در مورد فرامتن و ابررسانه، تورنتو، ON، کانادا، 13-16 ژوئن 2010. صص 35-44. [ Google Scholar ]
  11. بریلهانت، آی. Macedo، JA; ناردینی، اف.ام. پرگو، آر. رنسو، سی. برنامه ریزی تورهای گشت و گذار با استفاده از مسیرهای شلوغ. مشخصات SIGSPATIAL 2015 ، 7 ، 59-66. [ Google Scholar ] [ CrossRef ]
  12. کادار، بی. Gede, M. گردشگران کجا می روند؟ تجسم و تجزیه و تحلیل توزیع فضایی عکاسی دارای برچسب جغرافیایی. کارتوگر. بین المللی جی. جئوگر. Inf. Geovisualization 2013 ، 48 ، 78-88. [ Google Scholar ] [ CrossRef ]
  13. Urry, J. Consuming Places ; Routledge: لندن، انگلستان، 2002. [ Google Scholar ]
  14. Stylianou-Lambert, T. گردشگران با دوربین: بازتولید یا تولید؟ ان تور. Res. 2012 ، 39 ، 1817-1838. [ Google Scholar ] [ CrossRef ]
  15. مک کی، کی جی؛ Fesenmaier, DR عنصر تصویری مقصد در شکل‌گیری تصویر. ان تور. Res. 1997 ، 24 ، 537-565. [ Google Scholar ] [ CrossRef ]
  16. شوال، ن. شویمر، ی. Tamir, M. اندازه گیری لحظه ای عواطف عینی و ذهنی گردشگران در زمان و مکان. J. Travel Res. 2018 ، 57 ، 3-16. [ Google Scholar ] [ CrossRef ]
  17. باتی، ام. داده های بزرگ، شهرهای هوشمند و برنامه ریزی شهری. دیالوگ هام Geogr. 2013 ، 3 ، 274-279. [ Google Scholar ] [ CrossRef ]
  18. کیل، جی. ادلر، دی. اشمیت، تی. Dickmann, F. ایجاد محیط های مجازی فراگیر بر اساس داده های مکانی باز و موتورهای بازی. KN J. سبد خرید. Geogr. Inf. 2021 ، 71 ، 53-65. [ Google Scholar ] [ CrossRef ]
  19. ادلر، دی. حصار، ع. کیل، جی. وتر، م. Dickmann, F. واقعیت مجازی (VR) و نرم افزار منبع باز: یک گردش کار برای ساخت یک محیط VR کارتوگرافی تعاملی برای کشف مناظر شهری. KN J. Cartogr. Geogr. Inf. 2018 ، 68 ، 5-13. [ Google Scholar ] [ CrossRef ]
  20. Fisher-Gewirtzman, D. آیا محاسبات دید سه بعدی در طول یک مسیر می توانند تراکم درک شده شرکت کنندگان غوطه ور در یک محیط واقعیت مجازی را پیش بینی کنند؟ در مجموعه مقالات یازدهمین سمپوزیوم نحوی فضا، لیسبون، پرتغال، 3 تا 7 ژوئیه 2017؛ صص 3-7. [ Google Scholar ]
  21. Fisher-Gewirtzman، D. درک تراکم توسط عابران پیاده در مسیرهای شهری: آزمایشی در واقعیت مجازی. J. Urban Des. 2018 ، 24 ، 1-19. [ Google Scholar ] [ CrossRef ]
  22. ناتاپوف، آ. Fisher-Gewirtzman, D. رویت فعالیت های شهری و مسیرهای عابر پیاده: آزمایشی در یک محیط مجازی. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 58 ، 60-70. [ Google Scholar ] [ CrossRef ]
  23. کوپر، CP الگوهای مکانی و زمانی رفتار گردشگران. Reg. گل میخ. 1981 ، 15 ، 359-371. [ Google Scholar ] [ CrossRef ]
  24. گاوالاس، دی. کنستانتوپولوس، سی. مستاکاس، ک. Pantziou، G. سیستم های توصیه کننده موبایل در گردشگری. J. Netw. محاسبه کنید. Appl. 2014 ، 39 ، 319-333. [ Google Scholar ] [ CrossRef ]
  25. Salas-Olmedo، MH; مویا گومز، بی. García-Palomares, JC; گوتیرز، جی. ردپای دیجیتالی گردشگران در شهرها: مقایسه منابع کلان داده. تور. مدیریت 2018 ، 66 ، 13-25. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. چچیک، ا. فلیشر، ا. شووال، ن. تقسیم‌بندی بازدیدکنندگان به یک سایت میراث با استفاده از داده‌های زمانی-مکانی با وضوح بالا. J. Travel Res. 2009 ، 48 ، 216-229. [ Google Scholar ] [ CrossRef ]
  27. سستر، ام. دالیوت، اس. دستورالعمل‌های ناوبری غنی‌سازی برای حمایت از شکل‌گیری نقشه‌های ذهنی. در پیشرفت در مدیریت و تجزیه و تحلیل داده های مکانی ؛ Springer: Cham, Switzerland, 2015; صص 15-33. [ Google Scholar ]
  28. بوراس، جی. مورنو، آ. والس، الف. سیستم های توصیه گر گردشگری هوشمند: یک نظرسنجی. سیستم خبره Appl. 2014 ، 41 ، 7370-7389. [ Google Scholar ] [ CrossRef ]
  29. Vansteenwegen، P. سوفریو، دبلیو. Van Oudheusden، D. مسئله جهت یابی: یک بررسی. یورو جی. اوپر. Res. 2011 ، 209 ، 1-10. [ Google Scholar ] [ CrossRef ]
  30. لیم، KH; چان، جی. لکی، سی. Karunasekera, S. Towards the next touring: تورهای گروهی شخصی. در ICAPS 2016، مجموعه مقالات بیست و ششمین کنفرانس بین المللی برنامه ریزی و زمان بندی خودکار، لندن، انگلستان، 12 تا 17 ژوئن 2016 ؛ مطبوعات AAAI: پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 2016. صص 412-420. [ Google Scholar ]
  31. چن، سی. چن، ایکس. وانگ، ز. وانگ، ی. Zhang، D. ScenicPlanner: برنامه ریزی مسیرهای سفر خوش منظره با استفاده از ردپای دیجیتال ناهمگون تولید شده توسط کاربر. جلو. محاسبه کنید. علمی 2017 ، 11 ، 61-74. [ Google Scholar ] [ CrossRef ]
  32. کلر، ا. Mazimpaka، JD مسیریابی آگاه از ایمنی برای گردشگران موتوردار بر اساس داده های باز و VGI. J. Locat. سرویس مبتنی بر 2016 ، 10 ، 64-77. [ Google Scholar ] [ CrossRef ]
  33. گیونیس، ا. لاپاس، تی. پلکرینیس، ک. ترزی، ای. توصیه های تور سفارشی در مناطق شهری. در مجموعه مقالات هفتمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، شهر نیویورک، نیویورک، ایالات متحده آمریکا، 24 تا 28 فوریه 2014. صص 313-322. [ Google Scholar ]
  34. مور، م. دالیوت، اس. محاسبه مسیرهای پیاده روی توریستی با استفاده از عکس های دارای برچسب جغرافیایی از فلیکر. در مجموعه مقالات چهاردهمین کنفرانس بین المللی خدمات مبتنی بر مکان، زوریخ، سوئیس، 16-17 ژانویه 2018؛ صص 63-68. [ Google Scholar ]
  35. لی، جی. یانگ، ی. لیو، دبلیو. کاوش مسیر سفر شخصی با استفاده از POI. بین المللی جی. کامپیوتر. مهندس تئوری 2015 ، 7 ، 126. [ Google Scholar ]
  36. سان، ی. فن، اچ. باکی‌الله، م. Zipf، A. توصیه سفر مبتنی بر جاده با استفاده از تصاویر دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 53 ، 110-122. [ Google Scholar ] [ CrossRef ]
  37. کوراکاکیس، م. میلوناس، پ. Spyrou, E. Xenia: یک سیستم توصیه تور آگاه از زمینه مبتنی بر اطلاعات فراداده شبکه اجتماعی. در انطباق و شخصی سازی رسانه های معنایی و اجتماعی، مجموعه مقالات یازدهمین کارگاه بین المللی، تسالونیکی، یونان، 20 تا 21 اکتبر 2016 . IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، 2016؛ صص 59-64. [ Google Scholar ]
  38. سوبرامانیاسوامی، وی. ویجایاکومار، وی. لوگش، ر. Indragandhi، V. سیستم توصیه سفر هوشمند با استخراج ویژگی‌های عکس‌های ارائه‌شده توسط جامعه. Procedia Comput. علمی 2015 ، 50 ، 447-455. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. مور، م. Dalyot، S. غنی‌سازی مسیرهای پیاده‌روی با جاذبه‌های گردشگری بازیابی شده از داده‌های تولیدشده توسط کاربران. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2020 ، 5 ، 95-102. [ Google Scholar ] [ CrossRef ]
  40. Kadár, B. اندازه گیری فعالیت های توریستی در شهرها با استفاده از عکاسی دارای برچسب جغرافیایی. تور. Geogr. 2014 ، 16 ، 88-104. [ Google Scholar ] [ CrossRef ]
  41. لیو، کیو. وانگ، ز. Ye, X. مقایسه الگوهای تحرک بین ساکنین و بازدیدکنندگان با استفاده از داده های رسانه های اجتماعی با برچسب جغرافیایی. ترانس. GIS 2018 , 22 , 1372–1389. [ Google Scholar ] [ CrossRef ]
  42. بکر، ام. سینگر، پ. لمریچ، اف. هوتو، ا. هلیک، دی. Strohmaier, M. Photowalking the city: مقایسه فرضیه ها در مورد مسیرهای عکس شهری در فلیکر. در SocInfo 2015، مجموعه مقالات کنفرانس بین المللی انفورماتیک اجتماعی، پکن، چین، 9-12 دسامبر 2015 . Springer: Cham, Switzerland, 2015; ص 227-244. [ Google Scholar ]
  43. دویتشر، ی. گالن، بی. Kanza، Y. نقشه های احساسات بر اساس پست های دارای برچسب جغرافیایی در رسانه های اجتماعی. در مجموعه مقالات اولین کارگاه ACM SIGSPATIAL در علوم انسانی زمین فضایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 7 نوامبر 2017؛ صص 39-46. [ Google Scholar ]
  44. ژانگ، دبلیو. زبانه.؛ لی، م. گوا، ایکس. Sun, C. شناسایی جاذبه‌های گردشگری با استفاده از خوشه‌بندی عکس برچسب‌گذاری‌شده جغرافیایی. چانه. اجتماعی گفتگو 2018 ، 3 ، 3-16. [ Google Scholar ] [ CrossRef ]
  45. García-Palomares, JC; گوتیرز، جی. Mínguez, C. شناسایی نقاط داغ توریستی بر اساس شبکه های اجتماعی: تحلیل مقایسه ای کلان شهرهای اروپایی با استفاده از خدمات اشتراک عکس و GIS. Appl. Geogr. 2015 ، 63 ، 408-417. [ Google Scholar ] [ CrossRef ]
  46. گلنرمن، AG; کارامان، اچ. پکاسلان، د. بیلگی، S. ردپای فضایی شهروندان در توییتر – بررسی ناهنجاری، روند و سوگیری در استانبول. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 222. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  47. سوسکو، اس. Dalyot، S. جمع سپاری داده های آب و هوای حسگر موبایل تولید شده توسط کاربر برای متراکم کردن شبکه های ژئوسنسور ساکن. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 61. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 10 00275 g001 550
شکل 1. برادوی در خیابان 23، منهتن، نیویورک، با مکان‌های عکس فلیکر روی هم قرار گرفته (به‌عنوان نقاط، پس‌زمینه نشان داده شده است)، و ابرداده‌های یک عکس خاص (پایین). پس زمینه: نقشه های گوگل
Ijgi 10 00275 g002 550
شکل 2. ساختار داده ای که یک عکاس و عکس های دارای برچسب جغرافیایی او را به هم مرتبط می کند.
Ijgi 10 00275 g003 550
شکل 3. مکان های عکس با نقاط قرمز نشان داده شده اند، و مرکزهای عکس (POI) که به رنگ سبز نشان داده شده اند، محاسبه شده و در ساختار داده سلولی ذخیره می شوند.
Ijgi 10 00275 g004a 550 Ijgi 10 00275 g004b 550
شکل 4. ویژگی‌های رنگی دسته‌های عناصر مختلف در منهتن، نیویورک ( بالا )، و مدل سه‌بعدی Rhino در همان منطقه که بافت شهری را با رنگ‌بندی بر اساس دسته‌های عناصر مختلف ( پایین ) نشان می‌دهد.
Ijgi 10 00275 g005 550
شکل 5. شبیه سازی دید از یک دیدگاه در طول مسیر: نمای پرسپکتیو ( بالا ) و نمای سطح خیابان ( پایین ). LOS به صورت خطوط مستقیم در رنگ های مختلف با توجه به طبقه بندی عناصر بافت شهری که با آنها ملاقات می کنند به تصویر کشیده می شوند.
Ijgi 10 00275 g006 550
شکل 6. مقایسه تحلیل خوشه ای نقشه حرارتی (براساس تجزیه و تحلیل خوشه ای موران I): عکاسان گردشگری مبتنی بر ( سمت چپ ) و مبتنی بر عکس ( راست ) (پس زمینه: OpenStreetMap).
Ijgi 10 00275 g007 550
شکل 7. مسیر پیاده‌روی گردشگری در منهتن (مطالعه موردی 1) با الگوریتم ما (زرد) و کوتاه‌ترین مسیر مطابق با نقشه‌های گوگل (آبی)، با نقاط دیدنی و جاذبه‌های شناسایی شده در طول مسیرها (پس‌زمینه: نقشه‌های گوگل) محاسبه شده است.
Ijgi 10 00275 g008 550
شکل 8. نمودارهای تجسم جغرافیایی مطالعه موردی 1 که توسط ابزار تجزیه و تحلیل بصری سه بعدی برای همه انواع دسته ویژگی، تولید شده برای کوتاه ترین مسیر ( بالا ) و مسیر گردشگری ( پایین ) تولید شده است.
Ijgi 10 00275 g009a 550 Ijgi 10 00275 g009b 550
شکل 9. نمودارهای تجسم جغرافیایی مطالعه موردی 1 که نوع دسته نقطه عطفی (صورتی) را نشان می دهد که از هر دو مسیر قابل مشاهده است: کوتاه ترین مسیر ( بالا ) و مسیر گردشگری ( پایین ). شبیه سازی مناظر تجسم سه بعدی از منظر عابر پیاده در میدان تایمز در سمت راست به تصویر کشیده شده است.
Ijgi 10 00275 g010 550
شکل 10. نمودار ژئوتصویرسازی مطالعه موردی 1 که نوع دسته بندی اشیاء سبز (سبز) و نوع دسته بندی آسمان باز (آبی) را نشان می دهد. کوتاه ترین مسیر ( بالا ) و مسیر گردشگری ( پایین ).
Ijgi 10 00275 g011 550
شکل 11. مسیر پیاده روی گردشگری برای مطالعه موردی 2 که از نقاط دیدنی و جاذبه های اصلی در منطقه عبور می کند (پس زمینه: نقشه های گوگل).
Ijgi 10 00275 g012 550
شکل 12. نمودار زمین تجسمی که نوع دسته بندی نشانه (صورتی، بالا ) و نوع دسته اشیاء سبز (سبز، پایین ) را نشان می دهد که از مسیر گردشگری مطالعه موردی 2 قابل مشاهده است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید