[文章摘要]Semantic Enrichment of Movement Behavior with Foursquare–A Visual Analytics Approach

文章：Semantic Enrichment of Movement Behavior with Foursquare–A Visual Analytics Approach
作者：Kruger Robert, Dennis Thom, and Thomas Ertl.
来源：IEEE TVCG, VOL. 21, NO. 8, AUGUST 2015


文章利用社交媒体数据（Foursquare的POI信息）为轨迹信息赋予语义。
特点：
1，Foursquare的POI信息有层次类别，基于该层次树提出了一个语义决策模型，
其中包含了距离、签到数目、用户登录等要素。

2，由于语义的不确定性，因此还可以利用人工交互的手段，让分析者来修改赋予的语义类别。

利用POI赋予轨迹语义的挑战：
1，GPS的不确定性、噪音等。
2，POI密集区域，不知道访问了哪个POI。
3，有很多地点没有POI信息。


目前大多数语义赋予方法是自动决策模型，但是实验证明，
这些模型不能产生可靠的结果，因此需要依赖分析着的经验来探索、分析甚至修改结果。
本文利用可视分析方法来改进决策模型，并且可视化了结果的不确定性。


本文的第一版是
Krueger R, Thom D, Ertl T. Visual analysis of movement behavior using web data for context enrichment[C]//Pacific Visualization Symposium (PacificVis), 2014 IEEE. IEEE, 2014: 193-200.
这版提出了更为精细的决策模型，并且用了两个新的数据集来验证。

下图是系统界面，上面是map view，其中POI用icon 表示，颜色的深浅表示POI的不确定性，越深越确定，下面是temporal view，列为每小时，最上面是最确定的活动，即颜色深对于确定的活动。

本方法步骤：

1，分割轨迹，提取停留点。利用了郑宇的方法，即当连续的点在一定距离范围内，且访问时间大于一定时间阈值的为stop。

2，DBSCAN对stop聚集，提取聚集区域。

3，利用POI赋予语义。

POI采用的是Foursquare的信息，其API可以根据一个点和半径，查询该圆范围内的POI，且这个POI有三层结构，如下图所示。

根据POI层次构建的树， 最上面是root，下面三层对应POI，越靠近root越确定，越靠近叶节点越不确定。

决策模型考虑了空间距离、签到数目和用户登录。

空间距离用高斯函数来建模，中心点不确定性为0，最外围点不确定性为1。

然后对半径范围内所有POI求平均，如下式所示。

空间距离、签到数目和用户登录的不确定性如下式

最终用混合模型表示，如下式。

三个POI层次的不确定性，从上到左到右，POI越精细，不确定性越高，如下图。

允许分析者根据经验手动调整POI类别。

不同的POI的类别层次的temporal view，从上到下分别为由粗到细的POI类别。

实验验证了精度，但不能验证recall。

未来打算利用时间信息和根据过去活动的预测信息（如POI的访问序列）来改进决策模型。

还可以加上环境信息，如天气信息，交通模型等。