劉紀(jì)平，張福浩，徐勝華

中國測繪科學(xué)研究院，北京 100830

政務(wù)地理空間大數(shù)據(jù)研究進展綜述

劉紀(jì)平，張福浩，徐勝華

中國測繪科學(xué)研究院，北京 100830

近年來，地理空間大數(shù)據(jù)引起了產(chǎn)學(xué)研及政府部門的高度關(guān)注，甚至引發(fā)了許多變革。面向電子政務(wù)的地理空間大數(shù)據(jù)技術(shù)為政府信息管理和決策提供了新的手段。本文在闡述政務(wù)地理空間大數(shù)據(jù)的內(nèi)涵及特點的基礎(chǔ)上，重點梳理了政務(wù)地理空間大數(shù)據(jù)處理的關(guān)鍵技術(shù)，包括政務(wù)地理空間大數(shù)據(jù)整合、存儲與管理、挖掘與分析、可視化以及決策支持服務(wù)技術(shù)，最后分析了當(dāng)前和未來政務(wù)地理空間大數(shù)據(jù)所面臨的機遇和挑戰(zhàn)。

政務(wù)地理空間大數(shù)據(jù)；數(shù)據(jù)整合；存儲與管理；分析與挖掘；可視化；決策支持服務(wù)

隨著物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、云計算的蓬勃發(fā)展，信息技術(shù)與人類社會活動的方方面面不斷交叉融合，遍布各地的智能傳感設(shè)備、移動設(shè)備、電子商務(wù)網(wǎng)站、社交網(wǎng)絡(luò)與社會媒體每時每刻都在產(chǎn)生價值豐富、類型各異的數(shù)據(jù)，大數(shù)據(jù)時代已然來臨，并已經(jīng)迅速發(fā)展成為科技界、工業(yè)界、企業(yè)界甚至政府部門關(guān)注的熱點，日益對全球生產(chǎn)、流通、分配、消費活動以及經(jīng)濟運行機制、社會生活方式和國家治理能力產(chǎn)生重要影響。Nature和Science等國際頂級學(xué)術(shù)刊物也相繼出版專刊探討大數(shù)據(jù)帶來的機遇和挑戰(zhàn)。當(dāng)前，許多國家的政府和國際組織都認(rèn)識到了大數(shù)據(jù)的重要作用，紛紛將開發(fā)利用大數(shù)據(jù)作為奪取新一輪競爭制高點的重要抓手，實施大數(shù)據(jù)戰(zhàn)略。2012年3月，美國政府發(fā)布了《大數(shù)據(jù)研究與發(fā)展倡議》，來推進從大量的、復(fù)雜的數(shù)據(jù)集合中獲取知識和洞見的能力；2013年6月，八國峰會簽署了《八國集團開放數(shù)據(jù)憲章》，標(biāo)志著開放政府?dāng)?shù)據(jù)成為全球趨勢；2015年9月，國務(wù)院發(fā)布了《關(guān)于促進大數(shù)據(jù)發(fā)展的行動綱要》，標(biāo)志著大數(shù)據(jù)在我國上升到國家戰(zhàn)略層面[1-2]。在電子政務(wù)由電子政府向智慧政府轉(zhuǎn)變的背景下，政府?dāng)?shù)據(jù)的共享融合是電子政務(wù)大數(shù)據(jù)應(yīng)用的前提，也是打造智慧政府生態(tài)圈的基礎(chǔ)。

“大數(shù)據(jù)”概念中所蘊含的“基于全面數(shù)據(jù)進行決策”“從全覆蓋的實時數(shù)據(jù)流中發(fā)現(xiàn)規(guī)律、預(yù)測趨勢”等觀念、方法與技術(shù)對政府管理精細(xì)化與綜合決策構(gòu)成了深遠的影響。地理空間大數(shù)據(jù)不僅是電子政務(wù)不可或缺的重要組成部分，同時也是政務(wù)信息的重要載體，是電子政務(wù)資源整合的基礎(chǔ)框架，政務(wù)地理空間大數(shù)據(jù)已成為各級政府部門進行業(yè)務(wù)管理和宏觀分析決策的有力工具。政府部門的交通數(shù)據(jù)、氣象數(shù)據(jù)、社會經(jīng)濟統(tǒng)計數(shù)據(jù)等各類地理空間大數(shù)據(jù)已被廣泛研究，大量研究成果表明利用這些大數(shù)據(jù)不僅可以反映國家、區(qū)域、城市中存在的問題，還可以用來解決空氣污染、交通擁堵、能耗增加和規(guī)劃落后等帶來的挑戰(zhàn)[3-5]。對于海量且瞬息萬變的政務(wù)地理空間大數(shù)據(jù)來說，其蘊含的價值已然超乎人類的想象。本文將在闡述政務(wù)地理空間大數(shù)據(jù)的內(nèi)涵及特點的基礎(chǔ)上，從數(shù)據(jù)整合、存儲與管理、挖掘與分析、可視化、決策支持服務(wù)等方面分析政務(wù)地理空間大數(shù)據(jù)的理論與技術(shù)發(fā)展現(xiàn)狀，并結(jié)合其面臨的機遇和挑戰(zhàn)，對政務(wù)地理空間大數(shù)據(jù)做出展望。

1 政務(wù)地理空間大數(shù)據(jù)的內(nèi)涵及特點

政務(wù)地理空間大數(shù)據(jù)是面向政務(wù)信息管理和政府綜合決策的地理空間大數(shù)據(jù)。利用多源空間數(shù)據(jù)匯集整合、分布式空間數(shù)據(jù)混合存儲管理等技術(shù)，以地理空間數(shù)據(jù)為基礎(chǔ)，整合政府機關(guān)掌握的與經(jīng)濟、社會管理和公共服務(wù)相關(guān)的信息，將孤立、無序、分散的數(shù)據(jù)資源轉(zhuǎn)化為邏輯一致、有機關(guān)聯(lián)的政務(wù)信息資源，最后通過深度融合、挖掘與分析，為政府部門提供智能化決策支持服務(wù)[6-9]。

政務(wù)地理空間大數(shù)據(jù)除了具有一般大數(shù)據(jù)體量大(volume)、類型多樣(variety)、處理速度快(velocity)、價值密度低(value)、真實性高(veracity)等特征外，還具有其自身的特點，主要體現(xiàn)在：①全樣本持續(xù)更新，傳統(tǒng)的政務(wù)信息資源主要通過調(diào)查手段獲取，表現(xiàn)為抽樣的、樣本反饋的、主觀的、結(jié)果的、結(jié)構(gòu)化的以及斷點的數(shù)據(jù)類型；而當(dāng)前的政務(wù)地理空間大數(shù)據(jù)是以監(jiān)測數(shù)據(jù)為主，數(shù)據(jù)呈現(xiàn)出全樣本的、監(jiān)測記錄的、客觀的、過程的、非結(jié)構(gòu)化的以及連續(xù)的數(shù)據(jù)類型特點，數(shù)據(jù)資源更加全面、豐富，時效性更強。②多源異構(gòu)，政務(wù)地理空間大數(shù)據(jù)來源多樣，既包含辦公文檔、文本、報表、圖像、音視頻等非結(jié)構(gòu)化數(shù)據(jù)或半結(jié)構(gòu)化數(shù)據(jù)，也包含專業(yè)部門的遙感影像、導(dǎo)航定位、地圖等結(jié)構(gòu)化地理空間數(shù)據(jù)。伴隨移動互聯(lián)、感知技術(shù)的成熟，產(chǎn)生了大量與位置相關(guān)的時序數(shù)據(jù)、軌跡數(shù)據(jù)、社交網(wǎng)絡(luò)中的圖片、語音、視頻等數(shù)據(jù)，這些多源異構(gòu)的數(shù)據(jù)在政府部門決策中也發(fā)揮了重要作用。這些通過不同渠道獲取的數(shù)據(jù)在精度、尺度、數(shù)據(jù)存儲、空間關(guān)系、語義表達等方面均存在較大差別。③多粒度多層次，政務(wù)地理空間大數(shù)據(jù)來源于國家級、省級和市縣級等不同層次的政府機構(gòu)和部門，涵蓋了宏觀、微觀等不同粒度的數(shù)據(jù)，且不同部門間碎片化、零散化、低效率的數(shù)據(jù)交互和分析普遍存在。④權(quán)威可靠，政務(wù)地理空間大數(shù)據(jù)涉及工商、稅務(wù)、交通、醫(yī)療、教育、水利、農(nóng)業(yè)、地震、環(huán)境保護等領(lǐng)域，數(shù)據(jù)來源于政府各個權(quán)威部門，事關(guān)百姓生活的方方面面，數(shù)據(jù)質(zhì)量較高同時數(shù)據(jù)的潛在價值十分可觀。⑤安全性高，政務(wù)地理空間大數(shù)據(jù)具有較高的安全性，與普通大數(shù)據(jù)不同，政務(wù)地理空間大數(shù)據(jù)往往與國家安全、國家利益密切相關(guān)。

2 政務(wù)地理空間大數(shù)據(jù)關(guān)鍵技術(shù)

政務(wù)地理空間大數(shù)據(jù)的產(chǎn)生方式不斷擴展，數(shù)據(jù)量呈現(xiàn)出爆炸式增長，由于數(shù)據(jù)具有多源異構(gòu)、跨領(lǐng)域多部門、服務(wù)方式多樣性等特征，導(dǎo)致數(shù)據(jù)之間的關(guān)系變得錯綜復(fù)雜且存在關(guān)聯(lián)、交叉和融合，嚴(yán)重影響了政務(wù)信息管理和政府空間決策。因此，如何最大程度挖掘政務(wù)地理空間大數(shù)據(jù)的大價值，其關(guān)鍵在于對數(shù)據(jù)進行有效的整合、存儲、挖掘與分析以及可視化分析，并提供高效的決策支持服務(wù)。

2.1 政務(wù)地理空間大數(shù)據(jù)整合技術(shù)

政務(wù)地理空間大數(shù)據(jù)按照表現(xiàn)特征可以分為圖形、圖像、數(shù)值、文字、音頻視頻等數(shù)據(jù)類型，按照數(shù)據(jù)結(jié)構(gòu)可以分為矢量、柵格、文本、多媒體等數(shù)據(jù)類型，按照信息應(yīng)用可分為基礎(chǔ)地理空間數(shù)據(jù)、專題空間數(shù)據(jù)、政務(wù)專題數(shù)據(jù)等。這些數(shù)據(jù)在時間和空間上具有不同分辨率，關(guān)系極為復(fù)雜，來源于不同部門及層次的政務(wù)地理空間大數(shù)據(jù)不僅在數(shù)據(jù)格式、分類系統(tǒng)、空間尺度、數(shù)據(jù)模型、數(shù)據(jù)表達、時空參考、編碼規(guī)范等方面存在不一致問題[10-11]，還存在數(shù)據(jù)不連續(xù)、缺乏關(guān)聯(lián)等不足。政務(wù)地理空間大數(shù)據(jù)整合是通過多源、多尺度、多種類、多分辨率、多時相、動態(tài)化的地理空間數(shù)據(jù)的整合，實現(xiàn)對政務(wù)文本、表格、視頻、空間信息等多類型數(shù)據(jù)的分類、提取、關(guān)聯(lián)和匯聚，最終為政務(wù)信息化建設(shè)和電子政務(wù)提供一致的、連續(xù)的、相關(guān)聯(lián)的地理信息支持。

圖1 政務(wù)地理空間大數(shù)據(jù)的關(guān)鍵技術(shù)Fig.1 Key technologies of geospatial big data for E-government

空間數(shù)據(jù)整合一詞“Conflation”最早由Saalfeld提出，用于改善美國人口調(diào)查局的人口普查地圖數(shù)據(jù)庫的幾何精度[12]。隨后，文獻[13—14]提出了空間數(shù)據(jù)融合是將具有重疊區(qū)域的不同來源的地理信息合并的過程，目標(biāo)是處理不同空間數(shù)據(jù)間的位置、語義、拓?fù)錄_突，使得數(shù)據(jù)更加精準(zhǔn)、冗余最少。文獻[15]提出空間數(shù)據(jù)整合是將不同數(shù)據(jù)間的同名對象進行識別，再進行數(shù)據(jù)的幾何、屬性變換。而政務(wù)地理空間大數(shù)據(jù)整合結(jié)合其自身的特點，需要重點解決矢量柵格數(shù)據(jù)一體化整合、多尺度地理空間數(shù)據(jù)整合、統(tǒng)計數(shù)據(jù)和空間數(shù)據(jù)整合、文本信息和空間信息整合等問題[9]。相關(guān)學(xué)者提出了基于語義層面的數(shù)據(jù)整合、基于本體的信息資源整合、多源異構(gòu)和多尺度數(shù)據(jù)的幾何糾正與語義轉(zhuǎn)換、分類數(shù)據(jù)整合、碎片化數(shù)據(jù)整合等[16-23]方法。當(dāng)前，隨著基于位置的社交網(wǎng)絡(luò)的發(fā)展，帶來了豐富的眾源網(wǎng)絡(luò)地理空間數(shù)據(jù)[24-25]，不僅豐富了移動位置服務(wù)、智能導(dǎo)航、應(yīng)急救援響應(yīng)等領(lǐng)域的地理空間數(shù)據(jù)資源，還可以輔助政府部門分析城市規(guī)劃發(fā)展、社會生活所面臨的問題和挑戰(zhàn)，但同時也面臨著大量的數(shù)據(jù)整合問題需要解決，例如，文獻[26]提出基于本體的方法融合道路網(wǎng)數(shù)據(jù)和專業(yè)地理數(shù)據(jù)，實現(xiàn)多源道路網(wǎng)數(shù)據(jù)和專業(yè)地理數(shù)據(jù)的匹配整合；文獻[27]利用自然語言處理工具和數(shù)據(jù)挖掘技術(shù)實現(xiàn)交通軌跡數(shù)據(jù)與位置簽到數(shù)據(jù)的融合。

2.2 政務(wù)地理空間大數(shù)據(jù)存儲與管理技術(shù)

政務(wù)地理空間大數(shù)據(jù)類型復(fù)雜，傳統(tǒng)的存儲和管理模式已經(jīng)無法滿足復(fù)雜數(shù)據(jù)的處理需求。從最簡單的數(shù)據(jù)存儲到分布式數(shù)據(jù)庫存儲慢慢發(fā)展起來，分布式和并行計算技術(shù)可以為地理空間大數(shù)據(jù)處理提供一些較好的解決方案。當(dāng)前，國內(nèi)外的研究和工作主要著眼于海量地理空間數(shù)據(jù)的快速存儲、查詢，并取得了較大進展[28]，基于Hadoop的地理空間矢量數(shù)據(jù)的分布式存儲和查詢，實現(xiàn)了大數(shù)據(jù)的實時訪問、存儲和查詢[29-31]，對于政務(wù)地理空間大數(shù)據(jù)的存儲和查詢擁有較大優(yōu)勢。

大多數(shù)政務(wù)地理空間大數(shù)據(jù)是非結(jié)構(gòu)化和半結(jié)構(gòu)化，數(shù)據(jù)管理要求已經(jīng)超越傳統(tǒng)的關(guān)系型數(shù)據(jù)庫的有效范圍，需要能夠提供可擴展的靈活的數(shù)據(jù)庫技術(shù)來管理和訪問數(shù)據(jù)。NoSQL用于超大規(guī)模政務(wù)地理空間大數(shù)據(jù)的存儲，可以很容易適應(yīng)新的數(shù)據(jù)類型，這些類型的數(shù)據(jù)存儲不需要固定的模式，無需多余操作就可以橫向擴展，并且不會受第三方數(shù)據(jù)供應(yīng)商的內(nèi)容結(jié)構(gòu)變化的影響。HBase是三大NoSQL數(shù)據(jù)庫之一，HBase是一個既支持結(jié)構(gòu)化也支持非結(jié)構(gòu)化數(shù)據(jù)存儲的分布式數(shù)據(jù)庫，分布式計算操作利用了MapReduce計算框架，因此擁有實時讀寫數(shù)據(jù)、高效準(zhǔn)確存儲和管理數(shù)據(jù)的優(yōu)勢，且HBase采用列稀疏存儲的列/行型矩陣，列值中不會存儲空NULL的元素，可以大大節(jié)省存儲空間[32]。除此以外，政務(wù)地理空間大數(shù)據(jù)的存儲一般還結(jié)合分布式數(shù)據(jù)倉庫(Hlive)、分布式關(guān)系型數(shù)據(jù)庫(PostgreSQL)、全文檢索引擎以及分布式文件系統(tǒng)(HDFS)等，實現(xiàn)政務(wù)結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的混合式存儲[33-35]。針對政務(wù)地理空間大數(shù)據(jù)的查詢問題，傳統(tǒng)的并行計算和空間數(shù)據(jù)庫技術(shù)難以應(yīng)對政務(wù)數(shù)據(jù)量大、類型多樣的空間查詢處理和分析，且可擴展性差、支持類型單一。當(dāng)前，基于MapReduce框架設(shè)計并行化、高效的空間查詢算法已經(jīng)成為國內(nèi)外學(xué)者關(guān)注的熱點[36]，并為政務(wù)地理空間大數(shù)據(jù)的查詢分析提供了思路。MapReduce及其開源系統(tǒng)Hadoop目前已經(jīng)廣泛應(yīng)用于地理空間科學(xué)領(lǐng)域，大量的空間查詢和分析算法移植到Hadoop平臺，并產(chǎn)生了TerryFly系統(tǒng)、MIGIS系統(tǒng)、Meadow系統(tǒng)等一系列成果[37-39]。此外，運用近似計算的思想針對網(wǎng)絡(luò)相關(guān)的查詢進行近似處理也出現(xiàn)了很多成果[40-41]，相關(guān)研究提出了基于特定損失函數(shù)對道路網(wǎng)絡(luò)數(shù)據(jù)進行化簡并以簡化的網(wǎng)絡(luò)為基礎(chǔ)進行相關(guān)查詢的近似處理方法，以提高查詢處理的實時性，同時有效約束處理過程中產(chǎn)生的誤差。

2.3 政務(wù)地理空間大數(shù)據(jù)挖掘與分析技術(shù)

政務(wù)地理空間數(shù)據(jù)挖掘與分析是指從數(shù)據(jù)中提取出未知的、隱含的、有用的信息及知識，以最大程度的輔助政務(wù)部門的空間決策[42]。充分利用大數(shù)據(jù)挖掘與分析技術(shù)，從海量的政務(wù)地理空間大數(shù)據(jù)中獲取對政府部門最有價值的信息，可以為政府部門提供更加準(zhǔn)確有效的決策服務(wù)。

政務(wù)地理空間大數(shù)據(jù)挖掘與分析涉及概率論、空間統(tǒng)計學(xué)、規(guī)則歸納、模糊集、云理論、粗糙集、大數(shù)據(jù)計算、人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)、回歸分析、聚類分析、趨勢分析、關(guān)聯(lián)分析、空間分析、格局分析等理論和方法[43-46]。與傳統(tǒng)的數(shù)據(jù)挖掘分析相比，政務(wù)地理空間大數(shù)據(jù)更加強調(diào)在隱含未知情形下對空間數(shù)據(jù)本身分析上的規(guī)律挖掘，例如進行政務(wù)地理要素統(tǒng)計分析、多源信息融合的組織機構(gòu)空間分布格局分析、顧及時空非穩(wěn)定性的地理加權(quán)回歸分析、眾源網(wǎng)絡(luò)地理信息挖掘分析等。政務(wù)地理要素統(tǒng)計分析通過基礎(chǔ)地理空間數(shù)據(jù)、地理國情普查數(shù)據(jù)、社會經(jīng)濟數(shù)據(jù)，采用空間疊加分析、聚類分析、網(wǎng)絡(luò)分析、關(guān)聯(lián)分析等方法，結(jié)合基于Hadoop的海量數(shù)據(jù)處理技術(shù)可以展現(xiàn)交通網(wǎng)絡(luò)、居民地與設(shè)施、地理單元等地理要素的基本狀況[47-48]；多源信息融合的組織機構(gòu)空間分布格局分析首先利用中文分詞、語義分析和地理編碼技術(shù)實現(xiàn)海量組織機構(gòu)信息與空間信息的融合，再采用基于面的空間聚類分析方法、多中心模型擬合方法分析組織機構(gòu)空間分布格局[49]。顧及時空非穩(wěn)定性的地理加權(quán)回歸分析可以有效探測局部時空非平穩(wěn)性，進而分析事物隨時空位置變化而變化的特征，政府相關(guān)部門可以用來分析城市擴展的影響因素、各種疾病與社會自然因素的相關(guān)性、空氣質(zhì)量的影響因素等[50-52]；眾源網(wǎng)絡(luò)地理信息挖掘可以充分挖掘社交網(wǎng)絡(luò)和社會化媒體中蘊含的有價值的信息，這些社會資源為政府分析決策提供了重要支撐[53]。

2.4 政務(wù)地理空間大數(shù)據(jù)可視化技術(shù)

大數(shù)據(jù)可視化技術(shù)正逐步成為大數(shù)據(jù)時代的熱點，從人作為分析主體和需求主體的角度出發(fā)，強調(diào)人機交互、符合人的認(rèn)知規(guī)律的分析，將人所擅長的但機器不具備的認(rèn)知能力融入到分析中[54]。政務(wù)地理空間大數(shù)據(jù)的可視化可以為政府部門更加形象、直觀地展示值得關(guān)注的重要政務(wù)事項，為領(lǐng)導(dǎo)決策提供可視化信息服務(wù)。

政務(wù)地理空間大數(shù)據(jù)的可視化分析，包含了政務(wù)地理區(qū)域統(tǒng)計分析可視化、政務(wù)空間位置聚類分析可視化、空間位置關(guān)聯(lián)分析可視化等。例如，基于多層次網(wǎng)格統(tǒng)計地圖可視化，將單一類型數(shù)據(jù)的網(wǎng)格化分析上升到多類型、多尺度的政務(wù)信息資源在網(wǎng)格內(nèi)整合分析，有利于在指定區(qū)域內(nèi)開展綜合性政務(wù)數(shù)據(jù)空間分布、對比和關(guān)聯(lián)分析，在政府區(qū)域規(guī)劃、突發(fā)事件應(yīng)急中可快速實現(xiàn)信息提取和資源整合；基于影響力疊加算法的熱度圖可視化和基于k-means算法的聚類圖可視化可以有效反映政務(wù)區(qū)域范圍內(nèi)數(shù)量級較大的數(shù)據(jù)點的某種特征的空間態(tài)勢分布情況。此外，針對政務(wù)地理空間大數(shù)據(jù)中時空信息的可視化，常與地圖制圖學(xué)相結(jié)合，通過對時空維度和相關(guān)信息建立可視化表征，對時空相關(guān)的規(guī)律和模式進行展示[55]?；跁r空立方體的方法用三維的方式將時空和事件展現(xiàn)出來，相關(guān)成果已應(yīng)用于城市交通數(shù)據(jù)、颶風(fēng)數(shù)據(jù)、軌跡數(shù)據(jù)等可視化分析中[56-57]。另一方面，在政府外網(wǎng)也催生了大量基于位置的文本可視化分析、圖可視化分析等方法。其中，文本可視化通過挖掘文本中蘊含的如主題聚類、邏輯結(jié)構(gòu)、動態(tài)演化規(guī)律等語義特征，可以進行直觀的展示[58-59]；針對圖可視化，相關(guān)學(xué)者圍繞放射圖[60]、空間填充法[61]、圖聚簇簡化可視化[62]、多尺度交互[63]等進行了大量研究。

2.5 政務(wù)地理空間大數(shù)據(jù)決策支持服務(wù)技術(shù)

政務(wù)地理空間大數(shù)據(jù)的最終目的是為政府管理提供決策支持服務(wù)，而面對海量的地理空間大數(shù)據(jù)，關(guān)鍵在于如何為政府部門尋找自己感興趣的信息，實現(xiàn)智能化服務(wù)。智能檢索和主動推送技術(shù)在政務(wù)綜合決策中最為重要，也是政務(wù)地理空間大數(shù)據(jù)決策支持服務(wù)研究領(lǐng)域的熱點，可以幫助工作人員從海量的數(shù)據(jù)信息中尋找有用的信息并推薦給政府部門作出合理高效的決策。

政務(wù)地理空間大數(shù)據(jù)的智能檢索是在整合各種政務(wù)信息資源的基礎(chǔ)上實現(xiàn)業(yè)務(wù)統(tǒng)一組織，依據(jù)辦公人員的瀏覽習(xí)慣、訪問記錄、查詢歷史，對政務(wù)信息資源、網(wǎng)站、地圖、視頻等進行個性化的搜索，并主動提供相關(guān)的信息內(nèi)容。其中關(guān)鍵在于對用戶建模以及用戶查詢意圖識別。UCAIR(user-centered adaptive information retrieval)作為智能客戶端系統(tǒng)，采用決策理論框架系統(tǒng)實現(xiàn)智能搜索，可以通過智能客戶端進行隱式用戶興趣挖掘，且用戶模型可以隨時進行學(xué)習(xí)、更新[64]。文獻[65]討論了通過分析日志文件，計算用戶和對應(yīng)行為的相似度，通過認(rèn)知情感理論構(gòu)建用戶模型，并開發(fā)長期和短期模型，用于存儲用戶搜索相關(guān)信息。文獻[66]提出了映射用戶查詢到類別體系，將個性化用戶模型和普通用戶模型相結(jié)合來識別用戶興趣。文獻[67]基于用戶查詢意圖識別給出了個性化搜索框架，提出了利用搜索語料庫的公共LDA模型構(gòu)建用戶模型的方法以及新的用戶查詢意圖識別方法。文獻[68]提出了以地理空間事件為紐帶，用本體驅(qū)動的地理事件相關(guān)的信息自動檢索方法。文獻[69]針對海量的文本、圖片、視頻等多模態(tài)數(shù)據(jù)檢索系統(tǒng)深入的研究了基于深度學(xué)習(xí)的跨模態(tài)檢索方法。文獻[70]利用Wikipedia的文章和類別信息確定用戶的查詢意圖，從而輔助信息檢索。

政務(wù)地理空間大數(shù)據(jù)的主動推送服務(wù)是根據(jù)用戶的興趣偏好進行個性化的政務(wù)信息推薦。大數(shù)據(jù)時代政務(wù)信息資源雖然巨大，但蘊含用戶偏好的歷史記錄往往較為稀疏，并不能十分精確計算用戶的個性化決策需求，且政府部門一般需要更加多樣性的信息推薦，這對于主動推送系統(tǒng)的可解釋性和可擴展性均提出了更高的要求。政務(wù)地理空間大數(shù)據(jù)的主動推送服務(wù)可以借鑒時下流行的推薦系統(tǒng)及相關(guān)算法，如傳統(tǒng)的基于內(nèi)容的推薦算法、協(xié)同過濾的推薦算法、混合推薦算法，以及近年來伴隨社交網(wǎng)絡(luò)和位置服務(wù)而發(fā)展的基于社交網(wǎng)絡(luò)的推薦算法、興趣點的推薦算法等?；趦?nèi)容的推薦算法主要包含內(nèi)容分析、用戶文件學(xué)習(xí)、信息過濾3方面內(nèi)容，比較典型的推薦系統(tǒng)有Personal Web Watcher、CiteSeer等[71]；協(xié)同過濾推薦算法主要基于用戶的歷史反饋信息進行推薦，綜合利用機器學(xué)習(xí)和統(tǒng)計的方法進行學(xué)習(xí)預(yù)測，包含聚類模型、潛在語義模型、關(guān)聯(lián)規(guī)則、深度學(xué)習(xí)等方法[72-73]；基于社交網(wǎng)絡(luò)的推薦算法主要包括基于內(nèi)存的社交網(wǎng)絡(luò)推薦算法和基于矩陣分解的社交網(wǎng)絡(luò)推薦算法，這類算法可以有效改進傳統(tǒng)協(xié)同過濾算法的數(shù)據(jù)稀疏和冷啟動問題[74-75]；基于興趣點的推薦算法是利用用戶的簽到歷史記錄以及其他偏好，為用戶提供個性化的興趣點推薦服務(wù)，近年來成為數(shù)據(jù)挖掘和機器學(xué)習(xí)領(lǐng)域的熱點[76-77]，單純利用簽到數(shù)據(jù)的興趣點推薦方法較少，大多融合額外信息來改進興趣點推薦算法的性能，如興趣點地理位置、社交網(wǎng)絡(luò)信息、時間信息、興趣點的內(nèi)容和用戶評論信息等。這些推薦算法有機融合政務(wù)地理空間大數(shù)據(jù)中，可以幫助政府部門實現(xiàn)重要信息資源的主動推送服務(wù)，提升服務(wù)的精準(zhǔn)性。

3 政務(wù)地理空間大數(shù)據(jù)面臨的機遇及挑戰(zhàn)

大數(shù)據(jù)技術(shù)作為電子政務(wù)發(fā)展的推進器，不僅給技術(shù)進步帶來深刻變革，而且給政府協(xié)同和公共服務(wù)模式帶來了創(chuàng)新性發(fā)展?！坝脭?shù)據(jù)說話、用數(shù)據(jù)決策、用數(shù)據(jù)管理、用數(shù)據(jù)創(chuàng)新”已經(jīng)成為提升政府治理能力的新途徑。在國家政策的推動下，政府電子政務(wù)中運用大數(shù)據(jù)技術(shù)已經(jīng)初步建立，但相比較于專業(yè)的基礎(chǔ)地理信息，現(xiàn)有的技術(shù)工具與處理方法不能高效地對政務(wù)地理空間大數(shù)據(jù)進行分析處理；同時，政府部門也對空間信息決策服務(wù)的形式、內(nèi)容與能力提出了更高的要求，給面向決策服務(wù)的政務(wù)地理空間大數(shù)據(jù)帶來新的機遇與挑戰(zhàn)。

(1) 政務(wù)業(yè)務(wù)自治與碎片化條件下的多源信息資源智能聚合。單一數(shù)據(jù)源已越來越難以滿足應(yīng)對很多政策領(lǐng)域日益復(fù)雜問題的需求，在數(shù)字時代，政府治理的關(guān)鍵在于整合多數(shù)據(jù)源的公共管理模式?，F(xiàn)有的政務(wù)數(shù)據(jù)整合方法雖然在一定程度改善了政務(wù)信息孤立存儲、相互隔離的狀況，但依然面臨著政務(wù)業(yè)務(wù)自治與碎片化條件下的多源信息資源智能聚合的挑戰(zhàn)，政務(wù)信息資源依然存在較少顧及語義特征、缺乏有效的關(guān)聯(lián)機制等現(xiàn)實問題，需要研究語義約束的政務(wù)數(shù)據(jù)多層次關(guān)聯(lián)規(guī)則，建立政務(wù)需求與政務(wù)地理空間大數(shù)據(jù)的統(tǒng)一描述模型和關(guān)聯(lián)約束，以及基于關(guān)聯(lián)分析的政務(wù)地理空間大數(shù)據(jù)漸進求精的智能聚合方法，實現(xiàn)滿足政府需求的政務(wù)信息主動檢索與精準(zhǔn)發(fā)現(xiàn)。此外，在大數(shù)據(jù)時代，數(shù)據(jù)的收集建立呈現(xiàn)出與傳統(tǒng)信息數(shù)據(jù)建立原則不同的更加開放聚合的特點，不同渠道、不同維度的信息可以通過有效的整合形成豐富完整的信息檔案，不但政府自己可以維護信息，居民、企業(yè)、社會組織等也可以參與到信息的維護中去。大數(shù)據(jù)平臺的建設(shè)超越了原先分立的部門架構(gòu)，數(shù)據(jù)的歸屬權(quán)不再被認(rèn)為是某些部門所專有，而是從一開始就具有開放、共享的屬性，不同部門可以使用大數(shù)據(jù)平臺中的不同政務(wù)信息，而居民、企業(yè)和社會組織也可以依據(jù)相應(yīng)的法律法規(guī)獲取有效的政務(wù)信息。

(2) 多數(shù)據(jù)中心數(shù)據(jù)一體化存儲管理。分布式數(shù)據(jù)庫和并行計算技術(shù)雖然為解決政務(wù)地理空間大數(shù)據(jù)高效、快速、實時的存儲和管理提供了較好的思路，但是政務(wù)地理空間大數(shù)據(jù)呈現(xiàn)多樣、動態(tài)、異構(gòu)的特點，并分布式存儲于多個數(shù)據(jù)中心，亟須構(gòu)建多數(shù)據(jù)中心數(shù)據(jù)一體化存儲模型，解決海量空間數(shù)據(jù)、非空間數(shù)據(jù)的一體化混合存儲、實時管理以及快速增長的增量數(shù)據(jù)的擴展問題。政務(wù)地理空間大數(shù)據(jù)所固有的數(shù)據(jù)密集性、計算密集性、并發(fā)訪問密集性等特征，需要設(shè)計更加高效的面向政務(wù)地理空間大數(shù)據(jù)的高性能空間查詢和管理算法以幫助人們從大規(guī)模的地理空間數(shù)據(jù)中獲取有價值的知識，跨越多核和節(jié)點并行處理、高度的擴展性和容錯性、支持異構(gòu)環(huán)境以及較低的分析延遲和成本等，實現(xiàn)集數(shù)據(jù)整合、知識化管理、數(shù)據(jù)分析挖掘和可視化展示等多位一體的存儲與管理。

(3) 面向政府決策的政務(wù)地理空間大數(shù)據(jù)深度分析。政務(wù)地理空間大數(shù)據(jù)呈現(xiàn)出粒度減小、精度提高、范圍擴大的趨勢，需要重點研究面向?qū)嶓w描述的時間序列分析與空間趨勢發(fā)現(xiàn)、主題聚焦的互聯(lián)網(wǎng)地理信息獲取與挖掘、基于用戶行為分析的地理信息主動服務(wù)等深度分析方法。未來面向政務(wù)地理空間大數(shù)據(jù)的深度分析面越來越廣，層次越來越深，要求實現(xiàn)決策分析的自動定制和主動提供。知識化、智能型深度分析研究將推動政務(wù)信息系統(tǒng)由以數(shù)據(jù)管理為主要功能向以知識管理、空間決策為主要功能轉(zhuǎn)變、由數(shù)據(jù)驅(qū)動向知識和模型協(xié)同驅(qū)動轉(zhuǎn)變、由定量模型分析向基于知識的智能決策方法轉(zhuǎn)變、由空間信息分析應(yīng)用向更廣闊的多領(lǐng)域空間決策分析應(yīng)用轉(zhuǎn)變。

(4) 政務(wù)地理空間大數(shù)據(jù)智能化、主動化服務(wù)和跨部門協(xié)同應(yīng)用。在社會化感知條件下，政務(wù)地理空間大數(shù)據(jù)以流式產(chǎn)生、管理和應(yīng)用，政務(wù)地理空間大數(shù)據(jù)的業(yè)務(wù)已向資源檢索、專題快速構(gòu)建、數(shù)據(jù)個性化服務(wù)、信息主動推送等智能化和主動化的模式發(fā)展，相關(guān)應(yīng)用呈現(xiàn)出跨部門協(xié)同治理與合作的趨勢，設(shè)計開發(fā)面向政府協(xié)同決策和跨部門協(xié)同應(yīng)用的地理空間大數(shù)據(jù)分析服務(wù)軟件平臺，以輔助領(lǐng)導(dǎo)科學(xué)決策為目的，并針對當(dāng)前熱點和應(yīng)用需要，建設(shè)民生服務(wù)、大氣質(zhì)量監(jiān)測、公共安全與應(yīng)急響應(yīng)、城鎮(zhèn)化發(fā)展產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等專題應(yīng)用智能化和主動化信息服務(wù)，釋放政府大數(shù)據(jù)價值，可以為建設(shè)陽光政府、服務(wù)型政府提供重要信息保障。

4 結(jié) 語

我國電子政務(wù)地理信息服務(wù)的整體水平還處于發(fā)展的初級階段，需要進一步擴展和深化，有待探索、研究的問題還很多，從技術(shù)研究到實際應(yīng)用與發(fā)達國家相比還有較大差距。當(dāng)前，大數(shù)據(jù)、云計算等信息技術(shù)與地理信息服務(wù)的融合給電子政務(wù)的發(fā)展帶來了新的機遇和挑戰(zhàn)。本文基于近年來在政務(wù)地理空間大數(shù)據(jù)方面研究的總結(jié)，闡述了政務(wù)地理空間大數(shù)據(jù)的內(nèi)涵及特點，對政務(wù)地理空間大數(shù)據(jù)的整合、數(shù)據(jù)存儲與管理、挖掘與分析以及決策支持服務(wù)涉及的理論問題、關(guān)鍵技術(shù)、發(fā)展趨勢等方面作了分析和展望，并指出了政務(wù)地理空間大數(shù)據(jù)混合存儲與動態(tài)管理、數(shù)據(jù)整合、數(shù)據(jù)挖掘與分析、決策支持服務(wù)等存在的問題及發(fā)展趨勢，以期推動地理空間大數(shù)據(jù)技術(shù)在電子政務(wù)信息資源中的應(yīng)用。

致謝：中國測繪科學(xué)研究院政府GIS研究中心董春研究員、王勇副研究員以及中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院劉春陽博士生等為本文提出了寶貴的修改意見，在此一并致謝。

[1] DOCTOROW C. Big Data: Welcome to the Petacentre[J]. Nature, 2008, 455(7209): 16-21.

[2] REICHMAN O J, JONES M B, SCHILDHAUER M P. Challenges and Opportunities of Open Data in Ecology[J]. Science, 2011, 331(6018): 703-705.

[3] ZHENG Yu, CAPRA L, WOLFSON O, et al. Urban Computing: Concepts, Methodologies, and Applications[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2014, 5(3): 38.

[4] ZHENG Yu. Trajectory Data Mining: An Overview[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2015, 6(3): 29.

[5] ZHENG Yu. Methodologies for Cross-domain Data Fusion: An Overview[J]. IEEE Transactions on Big Data, 2015, 1(1): 16-34.

[6] 劉紀(jì)平, 劉釗, 王亮. 基于功能協(xié)同的電子政務(wù)空間信息服務(wù)[J]. 測繪學(xué)報, 2006, 35(4): 299-302.

LIU Jiping, LIU Zhao, WANG Liang. Research on the Spatial Information Service for E-government Based on Function Collaboration[J]. Acta Geodaetica et Cartographica Sinica, 2006, 35(4): 299-302.

[7] 劉紀(jì)平, 張福浩, 王亮, 等. 面向大數(shù)據(jù)的空間信息決策支持服務(wù)研究與展望[J]. 測繪科學(xué), 2014, 39(5): 8-12, 17.

LIU Jiping, ZHANG Fuhao, WANG Liang, et al. Research and Prospect on Spatial Decision Support Service Based on Big Data[J], Science of Surveying and Mapping, 2014, 39(5): 8-12, 17.

[8] LIU J P, XU S H, ZHANG F H, et al. Research and Implementation of Government Geographic Information Service Platform[J]. Journal of Earth Science and Engineering, 2011, 1(2): 48-54.

[9] 劉紀(jì)平, 張福浩, 王亮, 等. 電子政務(wù)地理信息服務(wù)[M]. 北京: 測繪出版社, 2014.

LIU Jiping, ZHANG Fuhao, WANG Liang, et al. Geographic Information Service for E-government[M]. Beijing: Surveying and Mapping Press, 2014.

[10] 趙彬彬. 多尺度矢量地圖空間目標(biāo)匹配方法及其應(yīng)用研究[D]. 長沙: 中南大學(xué), 2011.

ZHAO Binbin. A Study on Multi-scale Vector Map Objects Matching Method and Its Application[D]. Changsha: Central South University, 2011.

[11] 張云菲. 多源道路網(wǎng)與興趣點的一致性整合方法[D]. 武漢: 武漢大學(xué), 2015.

ZHANG Yunfei. Methods for Congruent Conflation of Multi-source Road Networks and POIs[D]. Wuhan: Wuhan University, 2015.

[12] SAALFELD A. Conflation Automated Map Compilation[J]. International Journal of Geographical Information Systems, 1988, 2(3): 217-228.

[13] MICHALOWSKI M, AMBITE J L, THAKKAR S, et al. Retrieving and Semantically Integrating Heterogeneous Data from the Web[J]. IEEE Intelligent Systems, 2004, 19(3): 72-79.

[14] LONGLEY P A, GOODCHILD M F, MAGUIRE D J, et al. Geographic Information Systems and Science[M]. 2nd ed. [S.l.]: John Wiley & Sons, 2005.

[15] CASADO M L. Some Basic Mathematical Constraints for the Geometric Conflation Problem[C]∥Proceedings of the 7th International Symposium on Spatial Accuracy Assessment in Natural Resources and Environmental Sciences. Lisboa: Instituto Geográfico Português, 2006: 264-274.

[16] HEARST M A, LEVY A Y, KNOBLOCK C, et al. Information Integration[J]. IEEE Intelligent Systems and Their Applications, 1998, 13(5): 12-24.

[17] MAY W, LAUSEN G. A Uniform Framework for Integration of Information from the Web[J]. Information Systems, 2004, 29(1): 59-91.

[18] SESTER M, VON G?SSELN G, KIELER B. Identification and Adjustment of Corresponding Objects in Data sets of Different Origin[C]∥Proceedings of the 10th AGILE International Conference on Geographic Information Science. Denmark: Aalborg University, 2007.

[19] DALYOT S, DAHINDEN T, SCHULZE M J, et al. Integrating Network Structures of Different Geometric Representations[J]. Survey Review, 2013, 45(333): 428-440.

[20] 陳軍, 王東華, 商瑤玲, 等. 國家 1∶50 000數(shù)據(jù)庫更新工程總體設(shè)計研究與技術(shù)創(chuàng)新[J]. 測繪學(xué)報, 2010, 39(1): 7-10.

CHEN Jun, WANG Donghua, SHANG Yaoling, et al. Master Design and Technical Development for National 1∶50 000 Topographic Data-Base Updating Engineering in China[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(1): 7-10.

[21] DOERR M, HUNTER J, LAGOZE C. Towards A Core Ontology for Information Integration[J]. Journal of Digital Information, 2003, 4(1).

[22] BUTENUTH M, G?SSELN G V, TIEDGE M, et al. Integration of Heterogeneous Geospatial Data in a Federated Database[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(5): 328-346.

[23] 謝瀟. 語義感知的地理視頻大數(shù)據(jù)自適應(yīng)關(guān)聯(lián)組織方法[J]. 測繪學(xué)報, 2016, 45(10): 1260. DOI: 10.11947/j.AGCS.2016.20160327.

XIE Xiao. A Semantics-aware Self-adaptive Associated Organization Method of GeoVideo Big Data[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(10): 1260. DOI: 10.11947/j.AGCS.2016.20160327.

[24] 唐爐亮, 楊雪, 牛樂, 等. 一種眾源車載GPS軌跡大數(shù)據(jù)自適應(yīng)濾選方法[J]. 測繪學(xué)報, 2016, 45(12): 1455-1463. DOI: 10.11947/j.AGCS.2016.20160117.

TANG Luliang, YANG Xue, NIU Le, et al. An Adaptive Filtering Method Based on Crowdsourced Big Trace Data[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(12): 1455-1463. DOI: 10.11947/j.AGCS.2016.20160117.

[25] ZHENG Yu, XIE Xing, MA Weiying. GeoLife: A Collaborative Social Networking Service among User, Location and Trajectory[J]. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, 2010, 33(2): 32-39.

[26] DU Heshan, ANAND S, ALECHINA N, et al. Geospatial Information Integration for Authoritative and Crowd Sourced Road Vector Data[J]. Transactions in GIS, 2012, 16(4): 455-476.

[27] LI Jun, QIN Qiming, HAN Jiawei, et al. Mining Trajectory Data and Geotagged Data in Social Media for Road Map Inference[J]. Transactions in GIS, 2015, 19(1): 1-18.

[28] 范建永, 龍明, 熊偉. 基于HBase的矢量空間數(shù)據(jù)分布式存儲研究[J]. 地理與地理信息科學(xué), 2012, 28(5): 39-42.

FAN Jianyong, LONG Ming, XIONG Wei. Research of Vector Spatial Data Distributed Storage Based on HBase[J]. Geography and Geo-Information Science, 2012, 28(5): 39-42.

[29] WANG Yonggang, WANG Sheng. Research and Implementation on Spatial Data Storage and Operation Based on Hadoop Platform[C]∥ Proceedings of the 2nd IITA International Conference on Geoscience and Remote Sensing. Qingdao: IEEE, 2010: 275-278.

[30] GUNARATHNE T, WU T L, QIU J, et al. MapReduce in the Clouds for Science[C]∥Proceedings of the 2nd International Conference on Cloud Computing Technology and Science. Indianapolis: IEEE, 2010: 565-572.

[31] DUTTA H, KAMIL A, POOLEERY M, et al. Distributed Storage of Large-scale Multidimensional Electroencephalogram Data Using Hadoop and HBase[M]∥FIORE S, ALOISIO G. Grid and Cloud Database Management. Berlin Heidelberg: Springer, 2011: 331-347.

[32] 丁琛. 基于HBase的空間數(shù)據(jù)分布式存儲和并行查詢算法研究[D]. 南京: 南京師范大學(xué), 2014.

DING Chen. Research on Distributed Storage and Parallel Query Algorithm of Spatial Data in HBase[J]. Nanjing: Nanjing Normal University, 2014.

[33] THUSOO A, SARMA J S, JAIN N, et al. Hive: A Warehousing Solution over a Map-reduce Framework[J]. Proceedings of the VLDB Endowment, 2009, 2(2): 1626-1629.

[34] HAN Bo, ZHANG Yanxia, ZHONG Shoubo, et al. Astronomical Data Fusion Tool Based on PostgreSQL[J]. Research in Astronomy and Astrophysics, 2016, 16(11): 178.

[35] JAYALAKSHMI T S, CHETHANA C. A Semantic Search Engine for Indexing and Retrieval of Relevant Text Documents[J]. International Journal of Advance Research in Computer Science and Management Studies, 2016, 4(5): 7-11.

[36] 王珊, 王會舉, 覃雄派, 等. 架構(gòu)大數(shù)據(jù): 挑戰(zhàn)、現(xiàn)狀與展望[J]. 計算機學(xué)報, 2011, 34(10): 1741-1752.

WANG Shan, WANG Huiju, QIN Xiongpai, et al. Architecting Big Data: Challenges, Studies and Forecasts[J]. Chinese Journal of Computers, 2011, 34(10): 1741-1752.

[37] TerraFly[EB/OL]. http:∥www.TerraFly.FIU.edu.

[38] AJI A, WANG Fusheng. High Performance Spatial Query Processing for Large Scale Scientific Data[C]∥Proceedings of the on SIGMOD/PODS 2012 PhD Symposium. Scottsdale, Arizona, USA: ACM, 2012: 9-14.

[39] 張書彬, 韓冀中, 劉志勇, 等. 基于MapReduce實現(xiàn)空間查詢的研究[J]. 高技術(shù)通訊, 2010, 20(7): 719-726.

ZHANG Shubin, HAN Jizhong, LIU Zhiyong, et al. Research on Implementing Spatial Queries Based on MapReduce[J]. Chinese High Technology Letters, 2010, 20(7): 719-726.

[40] TAO Yufei, SHENG Cheng, PEI Jian. On K-skip Shortest Paths[C]∥Proceedings of the 2011 ACM SIGMOD International Conference on Management of Data. Athens, Greece: ACM, 2011: 421-432.

[41] TAO Yufei, HU Xiaocheng, CHOI D W, et al. Approximate MaxRS in Spatial Databases[J]. Proceedings of the VLDB Endowment, 2013, 6(13): 1546-1557.

[42] 李德仁, 王樹良, 李德毅. 空間數(shù)據(jù)挖掘理論與應(yīng)用[M]. 2版. 北京: 科學(xué)出版社, 2013.

LI Deren, WANG Shuliang, LI Deyi. Spatial Data Mining Theory and Application[J]. 2nd ed. Beijing: Science Press, 2013.

[43] 王樹良, 丁剛毅, 鐘鳴. 大數(shù)據(jù)下的空間數(shù)據(jù)挖掘思考[J]. 中國電子科學(xué)研究院學(xué)報, 2013, 8(1): 8-17.

WANG Shuliang, DING Gangyi, ZHONG Ming. On Spatial Data Mining under Big Data[J]. Journal of China Academy of Electronics and Information Technology, 2013, 8(1): 8-17.

[44] ZHANG Junbo, ZHENG Yu, QI Dekang. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction[C]∥Proceedings of the 31st AAAI Conference on Artificial Intelligence. San Francisco, California, USA:AAAI, 2017.

[45] LUO Ping, LIN Fen, XIONG Yuhong, et al. Towards Combining Web Classification and Web Information Extraction: A Case Study[C]∥Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Paris, France: ACM, 2009: 1235-1244.

[46] 奚雪峰, 周國棟. 面向自然語言處理的深度學(xué)習(xí)研究[J]. 自動化學(xué)報, 2016, 42(10): 1445-1465.

XI Xuefeng, ZHOU Guodong. A Survey on Deep Learning for Natural Language Processing[J]. Acta Automatica Sinica, 2016, 42(10): 1445-1465.

[47] 陳嵐. 基于因子分析和聚類分析的省級政府門戶網(wǎng)站評估[J]. 電子政務(wù), 2010(2): 95-100.

CHEN Lan. Evaluation of Provincial Government Portal Based on Factor Analysis and Cluster Analysis[J]. E-Government, 2010(2): 95-100.

[48] 何占軍, 劉啟亮, 鄧敏, 等. 顯著空間同位模式的多尺度挖掘方法[J]. 測繪學(xué)報, 2016, 45(11): 1335-1341. DOI: 10.11947/j.AGCS.2016.20150371.

HE Zhanjun, LIU Qiliang, DENG Min, et al. A Multi-scale Method for Mining Significant Spatial Co-location Patterns[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(11): 1335-1341. DOI: 10.11947/j.AGCS.2016.20150371.

[49] 趙仲秋, 季海峰, 高雋, 等. 基于稀疏編碼多尺度空間潛在語義分析的圖像分類[J]. 計算機學(xué)報, 2014, 37(6): 1251-1260.

ZHAO Zhongqiu, JI Haifeng, GAO Jun, et al. Sparse Coding Based Multi-scale Spatial Latent Semantic Analysis for Image Classification[J]. Chinese Journal of Computers, 2014, 37(6): 1251-1260.

[50] LIU Jiping, XU Shenghua, ZHANG Fuhao, et al. A Hybrid Genetic-ant Colony Optimization Algorithm for the Optimal Path Selection[J]. Intelligent Automation & Soft Computing, 2017, 23(2): 235-242.

[51] LIU Jiping, YANG Yi, XU Shenghua, et al. A Geographically Temporal Weighted Regression Approach with Travel Distance for House Price Estimation[J]. Entropy, 2016, 18(8): 303.

[52] 趙陽陽, 劉紀(jì)平, 徐勝華, 等. 一種基于半監(jiān)督學(xué)習(xí)的地理加權(quán)回歸方法[J]. 測繪學(xué)報, 2017, 46(1): 123-129. DOI: 10.11947/j.AGCS.2017.20150470.

ZHAO Yangyang, LIU Jiping, XU Shenghua, et al. A Geographic Weighted Regression Method Based on Semi-Supervised Learning[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1): 123-129. DOI: 10.11947/j.AGCS.2017.20150470.

[53] 胡慶武, 王明, 李清泉. 利用位置簽到數(shù)據(jù)探索城市熱點與商圈[J]. 測繪學(xué)報, 2014, 43(3): 314-321. DOI: 10.13485/j.cnki.11-2089.2014.0045.

HU Qingwu, WANG Ming, LI Qingquan. Urban Hotspot and Commercial Area Exploration with Check-in Data[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(3): 314-321. DOI: 10.13485/j.cnki.11-2089.2014.0045.

[54] KEIM D, QU Huamin, MA K L. Big-data Visualization[J]. IEEE Computer Graphics and Applications, 2013, 33(4): 20-21.

[55] HEY T, GANNON D, PINKELMAN J. The Future of Data-intensive Science[J]. Computer, 2012, 45(5): 81-82.

[57] TOMINSKI C, SCHUMANN H, ANDRIENKO G, et al. Stacking-based Visualization of Trajectory Attribute Data[J]. IEEE Transactions on visualization and Computer Graphics, 2012, 18(12): 2565-2574.

[58] VIEGAS F B, WATTENBERG M, FEINBERG J. Participatory Visualization with Wordle[J]. IEEE Transactions on Visualization and Computer Graphics, 2009, 15(6). DOI: 10.1109/TVCG.2009.171.

[59] CUI Weiwei, WU Yingcai, LIU Shixia, et al. Context Preserving Dynamic Word Cloud Visualization[C]∥ Proceedings of 2010 IEEE Pacific Visualization Symposium. Taipei: IEEE, 2010: 121-128.

[60] GOU Liang, ZHANG Xiaolong. TreeNetViz: Revealing Patterns of Networks over Tree Structures[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12): 2449-2458.

[61] 任磊, 王威信, 滕東興, 等. 面向海量層次信息可視化的嵌套圓魚眼視圖[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2008, 20(3): 298-303, 309.

REN Lei, WANG Weixin, TENG Dongxing, et al. Fisheye View for Visualization of Large Tree by Packing Nested Circles[J]. Journal of Computer-Aided Design & Computer Graphics, 2008, 20(3): 298-303, 309.

[62] SELASSIE D, HELLER B, HEER J. Divided Edge Bundling for Directional Network Data[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(12): 2354-2363.

[63] ABELLO J, VAN HAM F, KRISHNAN N. ASK-GraphView: A Large Scale Graph Visualization System[J]. IEEE Transactions on Visualization and Computer Graphics, 2006, 12(5): 669-676.

[64] SHEN Xuehua, TAN Bin, ZHAI Chengxiang. Implicit User Modeling for Personalized Search[C]∥Proceedings of the 14th ACM International Conference on Information and Knowledge Management. Bremen, Germany: ACM, 2005: 824-831.

[65] ZHOU Xiaoming, CONATI C. Inferring User Goals from Personality and Behavior in A Causal Model of User Affect[C]∥Proceedings of the 8th International Conference on Intelligent User Interfaces. Miami, Florida, USA: ACM, 2003: 211-218.

[66] LIU Fang, YU C, MENG Weiyi. Personalized Web Search by Mapping User Queries to Categories[C]∥Proceedings of the 11th International Conference on Information and Knowledge Management. McLean, Virginia, USA: ACM, 2002: 558-565.

[67] 林博. 基于用戶查詢意圖識別的個性化搜索方法研究[D]. 湘潭: 湘潭大學(xué), 2015.

LIN Bo. Research of Personalized Search Based on User Query Intent Identification[D]. Xiangtan: Xiangtan University,2015.

[68] 劉紀(jì)平, 栗斌, 石麗紅, 等. 一種本體驅(qū)動的地理空間事件相關(guān)信息自動檢索方法[J]. 測繪學(xué)報, 2011, 40(4): 502-508.

LIU Jiping, LI Bin, SHI Lihong, et al. An Automated Retrieval Method of Geo-spatial Event Information Based on Ontology[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 502-508.

[69] 馮方向. 基于深度學(xué)習(xí)的跨模態(tài)檢索研究[D]. 北京: 北京郵電大學(xué), 2015.

FENG Fangxiang. Deep Learning for Cross-Modal Retrieval[J]. Beijing: Beijing University of Posts and Telecommunications, 2015.

[70] HU Jian, WANG Gang, LOCHOVSKY F, et al. Understanding User’s Query Intent with Wikipedia[C]∥Proceedings of the 18th International Conference on World Wide Web. Madrid: ACM, 2009: 471-480.

[71] BOLLACKER K D, LAWRENCE S, GILES C L. Discovering Relevant Scientific Literature on the Web[J]. IEEE Intelligent Systems and their Applications, 2000, 15(2): 42-47.

[72] SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based Collaborative Filtering Recommendation Algorithms[C]∥Proceedings of the 10th International Conference on World Wide Web. Hong Kong, China: ACM, 2001: 285-295.

[73] WANG Hao,WANG Naiyan,YEUNG D Y.Collaborative Deep Learning For Recommender Systems[C]∥Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA: ACM, 2015: 1235-1244.

[74] JAMALI M, ESTER M. TrustWalker: A Random Walk Model for Combining Trust-based and Item-based Recommendation[C]∥Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Paris, France: ACM, 2009: 397-406.

[75] MA Hao, KING I, LYU M R. Learning to Recommend with Social Trust Ensemble[C]∥Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval. Boston, MA, USA: ACM, 2009: 203-210.

[76] CHENG Chen, YANG Haiqin, KING I, et al. Fused Matrix Factorization with Geographical and Social Influence in Location-based Social Networks[C]∥Proceedings of the 26th AAAI Conference on Artificial Intelligence. Toronto, Ontario, Canada: AAAI, 2012(12): 1.

[77] YE Mao, YIN Peifeng, LEE W C, et al. Exploiting Geographical Influence for Collaborative Point-of-interest Recommendation[C]∥Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval. Beijing: ACM, 2011: 325-334.

(責(zé)任編輯：宋啟凡)

Progresses and Prospects in Geospatial Big Data for E-government

LIU Jiping，ZHANG Fuhao，XU Shenghua

Chinese Academy of Surveying and Mapping, Beijing 100830, China

In recent years, geospatial big data have attracted great attention from industry, academia, research and government sectors, and even have triggered a lot of industry changes. Geospatial big data for E-government provide new means for government information management and decision making. This paper analyzes the concepts and characteristics of geospatial big data for E-government, mainly reviews the key technologies in geospatial big data for E-government, including data integration, storage and management, data mining and analysis, visualization, and decision support service technologies. Finally, the bottleneck problems and technical challenges of geospatial big data for E-government are discussed.

geospatial big data for E-government; data integration; storage and management; data analysis and data mining; visualization; decision support service technologies

The National Key Research and Development Program of China(No. 2016YFC0803101);The Special Scientific Research Fund of Public Welfare Profession of China (No. 2015123032)； Basic Research Fund of CASM (No. 7771701)

LIU Jiping(1967—),male, PhD, research fellow, PhD supervisor, majors in geospatial big data for E-government, government geographic information services, emergency geographic information services.

XU Shenghua

劉紀(jì)平，張福浩，徐勝華.政務(wù)地理空間大數(shù)據(jù)研究進展綜述[J].測繪學(xué)報，2017,46(10)：1678-1687.

10.11947/j.AGCS.2017.20170320.

LIU Jiping，ZHANG Fuhao，XU Shenghua.Progresses and Prospects in Geospatial Big Data for E-government[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1678-1687. DOI:10.11947/j.AGCS.2017.20170320.

P208

A

1001-1595(2017)10-1678-10

國家重點研發(fā)計劃(2016YFC0803101)；測繪地理信息公益行業(yè)專項(201512032)；中國測繪科學(xué)研究院基本科研業(yè)務(wù)費(7771701)

2017-06-19

修回日期： 2017-08-28

劉紀(jì)平(1967—)，男，博士，研究員，博士生導(dǎo)師，研究方向為政務(wù)地理空間大數(shù)據(jù)、政務(wù)地理信息服務(wù)、應(yīng)急地理信息服務(wù)。

E-mail： liujp@casm.ac.cn

徐勝華

E-mail： xushh@casm.ac.cn