[文章摘要]Extracting semantics of individual places from movement data by analyzing temporal patterns of

文章：Extracting semantics of individual places from movement data by analyzing temporal patterns of visits
作者：Gennady Andrienko, Natalia Andrienko, Georg Fuchs等.
来源：Proceedings of The First ACM SIGSPATIAL International Workshop on Computational Models of Place (COMP’13). 2013.


利用可视分析可以提取个人地点的语义，但是这对于大规模数据不可行，本文提出利用时态签名（temporal signature，用来刻画个人访问POI的时间分布）来解决该问题，对所有提取出的stop，提取其访问的时间模式， 对于语义已知的地点，利用时间序列聚类的方法发现与其相似的其它地点，然后将已知的语义赋给这些地点，达到大规模提取语义地点的目的。


step1：利用郑宇的方法提取stop
step2：对每个人的对stop进行密度聚类，发现cluster。
这些cluster代表潜在的POI，然后对其进行缓冲区构建。
step3：对每个cluster，计算下列时态聚集特征：

这些特征构成了“时态签名”，这里假设：
1，可以从时态签名里面推断POI的语义特征
2，时态签名相似的POI，其语义也相似。


可视分析主要包含两个视图：map view和time graph。


下图为利用手机通话数据分析某个人的语义地点：
左图最上面的cluster为home，左下的cluster为work，黑色的cluster在工作日的下午访问，有可能为休闲或者体育活动场所。右图为各个time graph。

下图为利用GPS轨迹数据分析某个人的语义地点，其中是一周和一天的时间分布（经过了time transform），其中点表示stop。

对于时间序列聚类，利用的是欧式距离，当然前面包括一些预处理步骤。


分析者选择一个已有语义的地点，然后利用距离公式计算它与其它所有地方的距离。
利用动态交互式过滤，并在time graphs中选择一小部分足够相似的时间序列，然后将这些时间序列对应地点的语义赋值为已有的语义。




下图的三行分别为三个不同语义地点的时间签名。

对于复杂的地方，可能还需要去查看相应的地理位置，当前，还不支持从work到home中途接小孩放学这种复杂的地点。


本文还探索了利用LBSN的文本来推断地点的方法，但是一些单词（“home”, “work”,“education”, “shopping”）的时间分布没有明显的模式，只有其中一部分单词有，例如“local transport”,“restaurant”, “sports”等。因此，对一些地点，这些单词只能是增加了推断证据。当前，还没有找到一种好的结合时态和文本的方法。