Advertisement

Geoinformatik pp 225-246 | Cite as

Räumliches Data-Mining und Big Geospatial Data

  • Liqiu MengEmail author
Chapter
Part of the Springer Reference Naturwissenschaften book series (SRN)

Zusammenfassung

Im Zusammenhang mit der flächendeckenden Digitalisierung der Erdoberfläche geht dieses Kapitel auf die Eigenschaften der Big Data und die damit verbundenen wissenschaftlichen Herausforderungen für das Data-Mining ein. Die Rolle des raumzeitlichen Data-Mining für die Handhabung mit dem Big-Data-Ökosystem wird hervorgehoben. Einige exemplarische Forschungs- und Entwicklungsergebnisse entlang des Wertschöpfungsprozesses von Geodaten-Matching, Event-Mining bis hin zur Verhaltensinterpretation anhand der GPS-Trajektorien werden vorgestellt

Schlüsselwörter

User Generated Content Volunteered Geographic Information OpenStreetMap Big Data Geodaten-Matching Event-Mining Verhaltensinterpretation GPS-Trajektorien 

Literatur

  1. 1.
    Arsanjani, J., Zipf, A., Mooney, P. und Helbich, M.: An introduction to OpenStreetMap in geographic information science. In: Arsanjani, J., Zipf, A., Mooney, P., Helbich, M. (Hrsg.) OpenStreetMap in GIScience – Experiences, Research and Appllications. Springer Lecture Notes in Geoinformation and Cartography, S. 1–15. Springer, Cham/Heidelberg (2015)Google Scholar
  2. 2.
    Bond, R.-M., Fariss, C.-J., Jones, J.-J., Kramer, A.D.I., Marlow, C., Settle, J.-E., Fowler, J.-H.: A 61-million-person experiment in social influence and political mobilization. Nature 489, 295–298 (2012)CrossRefGoogle Scholar
  3. 3.
    Crawford, K.: The hidden biases in big data Harvard Business Review. https://hbr.org/2013/04/the-hidden-biases-in-big-data (2013)
  4. 4.
    Ding, L., Fan, H., Meng, L.: Understanding taxi driving behaviors from movement data. In: AGILE’2015, Lisbon, 9–12 June 2015Google Scholar
  5. 5.
    Ding, L., Yang, J., Meng, L.: Visual analytics for understanding traffic flows of transport hubs from movement data. In: Proceedings International Cartographic Conference 2015, Rio de Janeiro, 23–28 Aug 2015Google Scholar
  6. 6.
    Hackeloeer, A., Klasing, K., Krisp, J.M., Meng, L.: Comparision of point matching techniques for road network matching. In: Shi, W., Wu, B., Stein, A. (Hrsg.) Uncertainty Modelling and Quality Control for Spatial Data. Tayler & Francis Group, London (2015)Google Scholar
  7. 7.
    Kremer, H., Kranen, P., Jansen, T., Seidl, T., Bifet, A., Holmes, G., Pfahringer, B.: An effective evaluation measure for clustering on evolving data streams. In: Proceedings of the 17th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, San Diego (2011)Google Scholar
  8. 8.
    Kubat, M., Bratko, I., Michalski, R.-S.: A review of machine learning methods. In: Michalski et al. (Hrsg.) Machine Learning and Data Mining – Methods and Applications, S. 3–69. John Wiley, New York (1998)Google Scholar
  9. 9.
    Lazer, D., Kennedy, R., King, G., Vespignani, A.: The parable of Google flu: traps in big data analysis. Science 343, 1203–1205 (2014)CrossRefGoogle Scholar
  10. 10.
    Liu, L.: Data model and algorithms for multimodal route planning with transportation networks. Dissertation, Lehrstuhl für Kartographic, TUM (2010)Google Scholar
  11. 11.
    Meng, L.: Kartographie für Jedermann und Jedermann für Kartographie – Warum und Wie? Kartographische Nachrichten, S. 246–253 (2011)Google Scholar
  12. 12.
    Mertens, P., Wieczorrek, H.-W.: Data X Strategien: data warehouse, data mining und operationale Systeme für die Praxis Kapitel 2. Springer, Heidelberg (2013)Google Scholar
  13. 13.
    Mooney, P.: An outlook for OpenStreetMap. In: Arsanjani, J., Zipf, A., Mooney, P., Helbich, M. (Hrsg.) OpenStreetMap in GIScience – Experiences, Research and Appllications. Springer Lecture Notes in Geoinformation and Cartography, S. 319–324. Springer Cham, Heidelberg (2015)Google Scholar
  14. 14.
    Polous, K., Krisp, J., Meng, L., Xiao, J., Shrestha, B.: OpenEventMap; a volunteered location based service. In: Proceedings of International Cartographic Conference, Rio de Janeiro, 23–28 Aug 2015Google Scholar
  15. 15.
    Roder, I., Leymüller, M., Leitner M.: Geographische Analysemaschine (GAM) – Eine Sensitivitätsanalyse einer innovativen und explorativen Methode zur Identifikation räumlicher Punktcluster. AGIT-Symposium Salzburg. www.agit.at/php_files/myagit/papers/papers_detail.php?kategorie=FPR&Veranstaltung=2001&Spezial=0 (2001)
  16. 16.
    Schoeneberg, K.-P., Pein, J.: Einsatz fortschrittlicher Visualisierungsmöglichkeiten zur Komplexitätsbeherrschung betriebswirtschaftlicher Sachverhalte im Unternehmen. In: Schoeneberg, K.-P. (Hrsg.) Komplexitätsmanagement in Unternehmen, S. 309–354. Gabler Verlag, Wiesbaden (2014)CrossRefGoogle Scholar
  17. 17.
    Sui, L., Meng, L.: Adding the value of NavTech road database: an implementation of spatial data mining techniques. J. Geogr. Sci., Acta Geogr. Sin. 11, 69–73 (2001). BeijingGoogle Scholar
  18. 18.
    Zhang, J.: A congruent hybrid model for conflation of satellite image and road database. Dissertation, Lehrstuhl für Kartographie, TUM (2013)Google Scholar
  19. 19.
    Zhang, M.: Methods and implementations of road-network matching. Dissertation, Lehrstuhl für Kartographie, TUM (2009)Google Scholar
  20. 20.
    Zhang, M., Yao, W., Meng, L.: Enrichment of topographic road database for the purpose of routing and navigation. Int. J. Digit. Earth (2012). https://doi.org/10.1080/17538947.2012.717110 Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Lehrstuhl für KartographieTU MünchenMünchenDeutschland

Personalised recommendations