[发明专利]基于包含定性方位和定量距离的位置描述的POI定位方法

说明书

本发明提供一种基于包含定性方位和定量距离的位置描述的POI定位方法，其特征在于，包括基于POI数据集构建基于ELLG的语义网，根据POI本体模型构造模型中的概念的实例，作为语义网中的节点；基于ELLG进行定性方位关系的多尺度压缩，构造语义网中的定性方位关系；将位置描述解析为位置语义、定性方位关系和定量距离关系；根据语义网，基于POI本体进行地址相似性匹配，将位置语义中的地址映射为语义网中的相应实例；基于匹配到的相应实例，通过语义网中的定性方位关系和基于ELLG的空间计算推理出满足定性方位上的定量距离关系的目标POI。本发明能够适应面向大范围区域的从定性方位和定量距离描述中定位至POI的应用。

技术领域

本发明涉及相似性匹配和空间推理领域，特别是涉及一种针对大范围区域的POI数据集条件下的从包含定性方位和定量距离的位置描述中快速定位POI的方法。

背景技术

随着移动互联网技术和空间定位技术的快速发展，产生的大量信息都直接或间接地与位置相关。这些位置相关的信息以地理坐标或地名、地址等位置语义的形式描述了泛在位置。而POI与人们的社交活动紧密关联，是泛在位置描述中的焦点。相较于地理坐标，通过地名、地址和POI之间的空间关系来描述POI更加符合人们的日常习惯。因此，将含有位置语义和空间关系的位置描述定位至POI，能够实现从语义到位置的转换，进而支持空间位置查询、导航指令发布、事件位置通知等多种基于位置的技术服务，为地理时空大数据分析奠定基础。

现有研究往往通过对位置描述中的位置语义进行文本或词义上的相似性匹配，并根据位置描述中的空间关系进行空间推理来实现定位至POI。POI之间的空间关系的常见描述包括较为粗略的定性方位，如“东”、“东南”，以及更加详细的定性方位上的定量距离，如“北边10km”。因此，上述空间关系的空间推理通常采用两种方法：引入定性方位和定量距离的数学模型实现基于空间计算的空间推理；或利用本体和语义网来组织POI的位置语义和POI之间的定性方位关系，进而实现基于语义关系的空间推理。

然而，现有研究往往忽略了地址中的数值对相似性匹配的影响，并且只能适应面向小数据集的POI的应用，难以适应面向大范围的POI数据集时相似性匹配和空间推理两个方面的要求。在相似性匹配方面，大范围的地址数据集上的相似度计算影响相似性匹配效率，而不同地址中实际上存在大量的相同信息，因此避免相同信息的重复计算能够提高相似性匹配效率。在空间推理方面，基于语义关系的方法通过预先建立POI之间的定性方位关系来提高推理效率，更能够适应面向大范围区域的空间推理。但是每对POI之间存在一对定性方位关系，意味着定性方位关系的数量通常是POI数量的二次方，而且语义关系难以涵盖不同的定量距离条件。因此面向大范围的POI数据集时的空间推理仍存在两方面的挑战：(1)需要对语义网中大数据量的定性方位关系进行完整表达、压缩存储和高效检索；(2)需要基于语义网进行定性方位推理和定量距离计算。

本发明提出，ELLG的特征有助于应对上述挑战。ELLG基于四叉树结构将全球空间离散成了多尺度网格，并通过由网格尺度、列号、行号组成的网格编码(k,column,row)对全球空间范围进行多尺度索引。ELLG的剖分规则使其具有如下特征：(1)同一尺度的网格之间具有明确的定性方位关系，这些关系可以表达位于不同网格中的POI之间的定性方位关系，从而实现大数据量的定性方位关系的压缩性表达；(2)网格的空间分辨率表达了明确的定量距离，因此可以支持定性方位上的定量距离计算。

相关术语：

POI兴趣点

ELLG等经纬度全球离散格网

S南

N北

E东

W西

NE东北

NW西北

SE东南

SW西南