Extraction de lieux intéressants et de séquences de voyage à partir de trajets GPS

L'augmentation de la disponibilité des dispositifs GPS est en train de changer la manière dont les gens interagissent avec le Web, et nous apporte une grande quantité de trajets GPS représentant les historiques de localisation des personnes. Dans cet article, basé sur les trajets GPS de plusieurs utilisateurs, nous visons à extraire des lieux intéressants et des séquences de voyage classiques dans une région géospatiale donnée. Ici, les lieux intéressants désignent les endroits culturellement importants, comme la Place Tiananmen à Pékin, et les zones publiques fréquentées, telles que les centres commerciaux et les restaurants, etc. Ces informations peuvent aider les utilisateurs à comprendre les lieux environnants et permettraient de recommander des voyages. Dans ce travail, nous modélisons d'abord les historiques de localisation de plusieurs individus avec un graphique hiérarchique basé sur des arbres (TBHG). Deuxièmement, basé sur le TBHG, nous proposons un modèle d'inférence basé sur HITS (Hypertext Induced Topic Search), qui considère l'accès d'un individu à un lieu comme un lien dirigé de l'utilisateur vers ce lieu. Ce modèle infère l'intérêt d'un lieu en tenant compte des trois facteurs suivants. 1) L'intérêt d'un lieu dépend non seulement du nombre d'utilisateurs visitant ce lieu, mais aussi des expériences de voyage de ces utilisateurs. 2) Les expériences de voyage des utilisateurs et les intérêts de localisation ont une relation de renforcement mutuel. 3) L'intérêt d'un lieu et l'expérience de voyage d'un utilisateur sont des valeurs relatives et dépendent de la région. Troisièmement, nous extrayons les séquences de voyage classiques entre les lieux en tenant compte des intérêts de ces lieux et des expériences de voyage des utilisateurs. Nous avons évalué notre système à l'aide d'un grand jeu de données GPS collecté par 107 utilisateurs sur une période d'un an dans le monde réel. En conséquence, notre modèle d'inférence basé sur HITS a surpassé des approches de référence telles que rank-by-count et rank-by-frequency. Pendant ce temps, en considérant les expériences de voyage des utilisateurs et les intérêts de localisation, nous avons obtenu une meilleure performance au-delà des références, telles que rank-by-count et rank-by-interest, etc.