Monika Sester教授在制图和地理信息领域的研究

10月29日，在研究组成员王瑶莉博士的主持下，Monika Sester教授受邀分享了她的团队及所在学院关于制图自动化、三维重建、地理大数据和移动性等多个领域的研究。

Monika Sester教授是德国汉诺威莱布尼兹大学制图与地理信息学院院长，并且曾担任该校副校长（2015-2017）。

下面分享讲座中提及的非常有趣的几个工作：

1

共享空间中的混合出行轨迹预测

通常，人们在道路上的共享区域（如交叉口）会表现出非常复杂的行为模式，且采用不同出行方式的人（如行人、骑车者和开车者）的行为表现往往各不相同，而传统模型难以处理混合交通方式下的复杂交互关系。因此，这项工作将出行者的坐标、视野区、类型以及周围出行者的类型编码作为特征，输入LSTM模型，以此预测未来的出行轨迹。结果表明：该模型能够模拟出行者面对复杂交通状况下的反应，并预测接下来至少3秒内的轨迹情况。

a Social-LSTM

b User-LSTM/

UserType-LSTM

c View-LSTM/

ViewType-LSTM

2

基于移动感知器的智能停车算法

如何帮助司机快速找到停车位是一个具有挑战性的问题。这项工作将出租车视作移动感知器，利用出租车轨迹，并结合道路中的摄像头，预测不同路段和时间段的停车位空闲情况。

3

基于CNN的点云属性分类

点云属性分类有两个方向，一是基于单点的分类，二是基于对象的分类。在基于单点的分类中，这项工作将3D点云投射为2D图像，以点云高度的最小值、平均值和最大值作为图像的三通道，输入CNN进行训练和预测，将单点分类成地面、非地面和汽车。基于对象的分类的主要目的是明确各类地形结构（如水体、深坑等），这项工作利用DTM数据，采样生成规则图像，输入CNN，预测水体和道路两种类别。

4

利用GAN为三维点云生成纹理

可输入季节、天气等参数，实现不同环境条件下的三维重建。

5

用聚类算法挖掘足球运动员的轨迹

采用聚类算法，对足球运动员的轨迹进行挖掘，提取出了足球运动员的典型运动模式。

6

利用社交媒体数据提取洪涝区

社交媒体上大量的VGI数据为紧急事件的响应提供了有利手段。这项工作利用tweeter上带有地理标签的文本和图片数据，探测洪涝灾害发生的地点。

Monika Sester教授精彩的分享结束后，同学们与她展开了讨论。

邢潇月同学针对社交媒体数据提取洪涝区的可靠性发表了看法：与洪涝灾害等热点事件相关的tweets往往会被大量转发，因此内容相关tweets的地理标签不仅应该包含现场目击者所在地，还应该包括大量非目击者的位置，这两者都会影响洪涝区发生地提取的准确性。Monika Sester教授肯定了邢潇月同学的观点，并指出如何分辨tweets是由当事人还是由旁观者发出是一个非常值得探究的课题。其后，其他同学也就自己的疑问与Monika Sester教授进行了交流。

在热烈的讨论后，团队成员与Monika Sester合影留念，讲座结束。

参考文献：

[1] Cheng, H., Sester, M. (2018). Mixed Traffic Trajectory Prediction Using LSTM–Based Models in Shared Space. In The Annual International Conference on Geographic Information Science (pp. 309-325). Springer, Cham.

[2] Bock, F., Di Martino, S., & Sester, M. (2017). Data-Driven Approaches for Smart Parking. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (pp. 358-362). Springer, Cham.

[3] Bock, F., Attanasio, Y., & Di Martino, S. (2017). Spatio-temporal road coverage of probe vehicles: a case study on crowd-sensing of parking availability with taxis. In The Annual International Conference on Geographic Information Science(pp. 165-184). Springer, Cham.

[4] Feng, Y., Sester, M. (2018). Extraction of pluvial flood relevant volunteered geographic information (VGI) by deep learning from user generated texts and photos. ISPRS International Journal of Geo-Information, 7(2), 39.

[5] Politz, F., Kazimi, B., Sester, M. (2018). Classification of Laser Scanning Data Using Deep Learning. In 38. Wissenschaftlich-Technische Jahrestagung der DGPF und PFGK18 Tagung, München.

注明：部分文献由于尚未正式出版，因此未列出。

素材来源：S³-Lab

材料整理：杨 柳

内容排版：王雪辰