公共交通站点相似性分类
数据库
2021-01-01 v1 机器学习
摘要
我们研究如下问题：给定两个公共交通站点标识符 A 和 B，每个均带有标签和地理坐标，判断 A 和 B 是否描述同一站点。例如，对于位于 (51.5306, -0.1253) 的“St Pancras International”和位于 (51.5319, -0.1269) 的“London St Pancras”，答案为“是”。该问题在使用公共交通数据的领域中频繁出现，例如地理信息系统、时刻表合并、路线规划或地图匹配。我们考虑了若干基于地理距离和简单字符串相似度度量的基线方法，也尝试了更精细的字符串相似度度量以及人工创建的归一化规则。实验表明，这些基线方法结果良好但不完全令人满意。因此我们开发了一种基于随机森林分类器的方法，其训练特征为两个站点之间匹配的三元组、它们的距离以及它们在交织网格上的位置。所有方法均在由 OpenStreetMap (OSM) 数据生成的广泛真实数据集上评估：(1) 大不列颠与爱尔兰的并集；(2) 德国、瑞士和奥地利的并集。在所有数据集上，我们基于学习的方法取得了超过 99% 的 F1 分数，而即便最精细的基线方法（基于 TFIDF 分数和地理距离）的 F1 分数至多 94%，使用地理距离阈值的朴素方法 F1 分数仅 75%。我们的训练与测试数据集均公开可用。
引用
@article{arxiv.2012.15267,
title = {Similarity Classification of Public Transit Stations},
author = {Hannah Bast and Patrick Brosi and Markus Näther},
journal= {arXiv preprint arXiv:2012.15267},
year = {2021}
}