多源異構眾包數(shù)據風景旅行路線規(guī)劃

陳　霞, 陳　超, 劉　凱

(1.重慶大學 汽車協(xié)同創(chuàng)新中心,重慶 400044； 2.重慶大學 計算機學院,重慶 400044)

?

多源異構眾包數(shù)據風景旅行路線規(guī)劃

陳霞1, 陳超2, 劉凱2

(1.重慶大學 汽車協(xié)同創(chuàng)新中心,重慶 400044； 2.重慶大學 計算機學院,重慶 400044)

摘要:提出基于多源異構眾包數(shù)據的風景路線規(guī)劃系統(tǒng),為用戶推薦給定兩點間景色最優(yōu)的旅行路線,滿足路線長度約束.從開放街道地圖(OSM)提取基本路網、融合移動社交網絡和媒體數(shù)據,對每個路段進行風景值刻畫,實現(xiàn)風景路網建模.提出基于規(guī)則的風景路線規(guī)劃算法,滿足給定約束的同時實現(xiàn)整體路線風景值的最大化.選取美國舊金山作為實驗對象進行驗證,結果表明：提出的規(guī)劃算法能實現(xiàn)路線風景值的最大化.

關鍵詞：多源異構眾包數(shù)據；風景路網模型；風景值；旅行路線規(guī)劃

旅游是人們生活的重要組成部分,而旅行路線規(guī)劃是一項重要而繁雜的準備工作.目前已有一些應用軟件,如:NileGuide[1-2]提供自動化旅行路線發(fā)現(xiàn)服務,但只是簡單地組合興趣點,并沒有具體地規(guī)劃興趣點之間的轉換路線.雖然IT巨頭(如：谷歌、百度等)已經推出一些基于路網和公共交通網的地圖服務(百度地圖[3]、谷歌地圖[4])來規(guī)劃興趣點間的轉換路線,但這些服務推薦的“最優(yōu)”轉換路線主要是以最小化行駛路程、行駛時間等為目標,沒有考慮路線的風景值,無法滿足復雜多樣的用戶需求.隨著城市數(shù)字化程度的加快以及Web2.0、全球定位系統(tǒng)、智能移動終端等科學技術的日趨成熟,已出現(xiàn)很多能記錄人與物理世界、數(shù)字世界交互的應用.人們在使用這些應用的過程中所產生的數(shù)據統(tǒng)稱為眾包數(shù)據(如：Foursquare簽到數(shù)據[5]、Flickr照片數(shù)據[6]、開放街道地圖(OpenStreetMap,OSM)地圖數(shù)據[7]等).眾包數(shù)據記錄了客觀世界的自然知識(如建筑的地理位置),也記錄了人類的位置活動信息；且顯式或隱式的包含了興趣點的基本屬性、受歡迎程度等重要信息,為自動化旅行路線推薦提供了巨大幫助.

近年來,隨著各種社交平臺的普及應用以及大量眾包數(shù)據的產生,已有較多的基于眾包數(shù)據的應用展開.考慮到GPS軌跡信息、旅行日志、帶有地理標記的照片等眾包數(shù)據隱含了興趣點的地理分布、訪問時間、風景介紹以及評分等情況,Kennedy等[8-10]通過分析照片標簽的時空分布規(guī)律,揭示了文字(照片標簽)與興趣點地理位置以及在興趣點所發(fā)生的事件之間的相互關系.Li等[11-14]根據帶有地理標記的照片學習興趣點的地理位置和視覺模型.Zheng等[15]通過分析網上用戶的GPS軌跡信息,為用戶推薦指定區(qū)域的興趣點.Hao等[16-17]通過分析旅游日記和帶有地理標簽的照片信息,為用戶推薦興趣點的圖像介紹資料,從網上的旅游日記中挖掘出興趣點的文本介紹資料.

部分研究者利用帶有地理標記的照片、旅行日志、網頁信息、簽到數(shù)據等隱含用戶旅游信息的數(shù)據,對興趣點序列進行研究.Zheng等[18]利用照片的時間標簽和地理標簽對游客與非游客進行區(qū)分,學習游客的旅游興趣點序列.Arase等[19]憑借地理標記照片中包含的用戶信息及地理信息,挖掘在不同旅行主題下(如：游覽名勝、領略自然風光等)人們訪問頻繁的興趣點序列.Cheng等[20]從照片中提取人的特性(如：性別、膚色等),并利用照片的時空信息挖掘興趣點序列,為用戶推薦個性化的興趣點序列.Zhang等[21-22]利用網頁中所包含的景點關鍵字信息挖掘出興趣點,根據用戶所選興趣點為其推薦可視性最好的興趣點序列.Yu等[23]從簽到數(shù)據中提取用戶偏好、興趣點信息以及興趣點間的時空關系,為用戶推薦滿足其偏好的興趣點序列.Chen等[24]利用簽到數(shù)據和出租車GPS軌跡信息分別提取興趣點信息和興趣點間的動態(tài)轉換時間,通過與用戶交互的方式為其推薦個性化、具有時間敏感性的興趣點序列.

上述研究主要從興趣點與興趣點序列兩方面進行研究,忽略了2個興趣點之間的具體轉換路線或者轉換路線的風景值.因此,有研究者展開了對風景路線的研究.Quercia等[25]將城市區(qū)域均分為小塊,視每小塊為節(jié)點,基于眾包平臺下通過志愿者對照片的評分獲得節(jié)點的風景值,節(jié)點間的步行距離為連接節(jié)點邊的權值,最終通過圖的最短路徑搜索算法來發(fā)現(xiàn)風景最優(yōu)步行路線.Zheng等[26]以路段為邊,利用照片的位置分布情況獲得路段的風景值,將路段地理距離與風景值通過分配權重的方式合并為邊的權值,最終通過選取圖的最短路徑搜索算法發(fā)現(xiàn)風景最優(yōu)行車路線.但是,文獻[25]的研究受限于眾包平臺的普及度,存在數(shù)據量少、風景點評價偏差等缺陷；且得到的是步行風景路線,整體路線距離較短,不能滿足可變的用戶路線長度約束.在文獻[26]的研究中,由于邊的權值是由路段的地理距離與風景值合并而來,推薦的風景路線長度不可控.

本文提出基于多源異構眾包數(shù)據的風景路線規(guī)劃系統(tǒng),以規(guī)劃一條風景旅行路線為目標.通過大量多源異構的眾包數(shù)據對路段風景值進行評分,解決數(shù)據量少、評分偏差等問題；提出基于規(guī)則的路線規(guī)劃算法,在整體路線長度約束下,增加一個或多個風景路段,達到找出起點和終點之間的近似最優(yōu)風景路線的目的.

1風景路網構建

風景路網構建的核心問題是如何合理地對基本路網進行風景路網建模,刻畫基本路網中每一路段的風景值.首先,從OSM官網上獲取地圖數(shù)據；其次,處理OSM地圖數(shù)據,得到基本路網.由于OSM地圖數(shù)據是用戶的實際移動軌跡,需要對OSM地圖數(shù)據進行冗余信息篩除,如：去掉路段上除首位節(jié)點外的多余節(jié)點信息、表示非機動車道路的路段信息等,將去掉冗余信息的OSM地圖標記為基本路網.利用照片和簽到數(shù)據對基本路網進行風景路網建模,并提出以下2個假設.

1)如果一條路段上分布的照片數(shù)量越多,那么該路段的風景質量越好.由人們的日常生活經驗可知,外出游玩時,用戶往往會通過拍照的方式記錄值得留戀的地方.因此,如果一條路段上分布了很多照片,則意味該路段分布著能夠吸引人們注意力、值得留戀的景色.一個路段上能吸引人注意力的景色分布越多,那么該路段的風景質量也應越高.

2)如果一條路段上的簽到次數(shù)越多,那么該路段的風景值會越高.一條路段附近的簽到次數(shù)越多,表明該路段存在受人們歡迎的地方越多,意味著該路段存在特色建筑的可能性也越大,路段的風景也更加優(yōu)美.

將基本路網的風景路網建模問題轉換為分析與匹配照片、簽到數(shù)據的地理空間分布問題.由生活經驗可知,如果一道風景離道路距離過遠,其可能會被其他物體遮擋,則該風景對該路段的風景值無影響.考慮到路段的風景值只與在路段可見區(qū)域內的風景數(shù)量有關.據此,作出如下規(guī)定：如果某處風景離路段的距離小于d(本研究設定d=10m),則該風景屬于可見區(qū)域；否則,屬于不可見區(qū)域.

路段可見范圍內照片數(shù)量的計算公式為

Nimg(i)=∑pimg∈δ.

(1)

式中：Nimg(i)為第i個路段可見范圍內的照片總數(shù),δ為路段i的可見區(qū)域,pimg∈δ表示在路段的可見區(qū)域內的第p個照片.

路段的照片分數(shù)值計算公式為

(2)

式中：Simg(i)為第i個路段的照片分數(shù),n為路段數(shù)量.

路段的簽到數(shù)量計算公式為

Nck(i)=∑qck∈δ.

(3)

式中：Nck(i)為第i個路段可見范圍內的簽到總數(shù),qck為在路段可見范圍內的第q個簽到數(shù)據.

路段的簽到分數(shù)值計算公式為

(4)

式中：Sck(i)為第i個路段的簽到分數(shù).

(5)

圖1　風景路網數(shù)據統(tǒng)計Fig.1　Data statistics of scenic road network

利用2個異構的眾包數(shù)據(Flickr提供的照片數(shù)據和Foursquare提供的簽到數(shù)據)構建風景路網.統(tǒng)計風景路網中每個路段的照片分數(shù)、簽到分數(shù)以及風景值的分布情況,得到結果如圖1所示.圖1(a)～(c)的橫坐標N為路段序數(shù),縱坐標分別為I(圖片分數(shù)值)、P(簽到數(shù)據分數(shù)值)、S(路段風景值).由圖1可以看出,大多數(shù)路段照片數(shù)量、簽到次數(shù)或者風景值都非常小,只有少部分路段值較高,數(shù)據結果符合日常生活知識(每個城市中風景值特別好的地方有限,如：景區(qū)、紀念地等).

2風景路線規(guī)劃

風景路線規(guī)劃的核心問題在于怎樣合理選擇及連接風景路段.由圖1可知,大多數(shù)路段的風景值都較低,只有少數(shù)路段的風景值較高,且遠大于其他路段.在給定路線長度約束的情況下,要使路線風景值越高,就要使路線中高風景值路段越多,從而需要由起點經過多個高風景路段至達終點規(guī)劃出一條最短路線.因此,本文提出基于規(guī)則的路線規(guī)劃算法,其流程如圖2所示,主要步驟如下.

圖2　基于規(guī)則的路線規(guī)劃算法流程圖Fig.2　Flow chart of rule-based route planning algorithm

1)以起點與終點連線的中心為圓心,以連線的長度為直徑畫圓,把圓內區(qū)域記為風景區(qū)域,可以在不影響風景路線規(guī)劃的情況下,避免搜索到過遠的路段,減少風景路段搜索的時間復雜度,提高效率.

2)將風景區(qū)域內的路段按風景值從高到低排序,得到路段排序集合.

3)初始化風景路段集合為空,計數(shù)器n為0.

4)將路段排序集合中風景值最高的路段記為候選路段,按照路段排序規(guī)則和連接規(guī)則得到由起點經過風景路段集合以及候選路段到達終點的風景路線,其間各個端點之間用最短路徑連接.如果風景路線長度小于用戶所規(guī)定的最大距離,則添加此候選路段到風景路段集合,并在路段排序集合中刪除此路段,計數(shù)器n重置為0；否則,選擇路段排序集合中緊鄰的下一路段作為候選路段,依次循環(huán).每循環(huán)1次計數(shù)器n就加1,如果當n等于m時依然未能找到1條合適的路段添加到風景路段集合中,則輸出此時的風景路線作為近似最優(yōu)風景旅行路線,結束風景路線規(guī)劃.設置計數(shù)器n和連續(xù)搜索路段次數(shù)限值m主要是為了提高風景路線搜索效率.

5)如果路段排序集合為空,則輸出此時的風景路線作為近似最優(yōu)風景旅行路線,結束風景路線規(guī)劃；否則,循環(huán)步驟4)操作.

在步驟4)所提到的路段排序規(guī)則和連接規(guī)則如下所示.路段排序規(guī)則中,我們規(guī)定先按緯度的大小排序,如果緯度相同的情況下再按經度的大小排序.

路段排序規(guī)則如下：根據起點和終點的相對位置,將風景路段集合中的路段進行分層排序,對每個路段的端點進行前后節(jié)點區(qū)分.

如圖3(a)所示,由起點S經過路段AB、CD到達終點T,首先進行路段分層排序,得路段AB為上層路段,路段CD為下層路段,如圖3(b)所示.然后進行前后節(jié)點區(qū)分得A、C為前節(jié)點,B、D為后節(jié)點,如圖3(c)所示.路段連接規(guī)則如下：先上層路段,再下層路段；先前節(jié)點,再后節(jié)點,如圖3(d)所示.

圖3　風景路段連接順序示意圖Fig.3　Schematic diagram of scenic road segment connection order

3實驗結果與分析

3.1實驗環(huán)境設置

在舊金山中選取3對起點與終點,分別為火車站—馬瑞納格林公園、火車站—海灣水族館、寵物醫(yī)院—俄羅斯山公園,風景路線最長距離為10km,進行風景路線規(guī)劃實驗.

3.2實驗結果與分析

根據起點與終點得到風景區(qū)域,在風景區(qū)域內進行最短路線、出租車路線以及風景路線的查找與規(guī)劃,得到如圖4的結果,圖4中的數(shù)字編號展示的是相應風景路段的某一風景點.統(tǒng)計3組實驗中所有路線的風景值與路線長度得到表1的實驗結果.

圖4　最短路線、出租車路線以及風景路線對比Fig.4　Comparison among shortest route, taxi route and scenic

3.2.1定性分析

第一組實驗結果如圖4(a)所示,可知風景路線相比最短路線和出租車路線增加了很多風景路段：圖4(a)中②～④都代表舊金山的市場街,街兩邊都是高檔的酒店、聯(lián)合廣場、市政中心、會議中心、購物中心；圖4(a)中⑦代表倫巴底街,也稱九曲花街,是全世界最曲折的街道,每逢春暖花開,游客們爭相在此拍照留念.這些路段的添加大大增加了整體路線的風景值,為游客提供了視覺上的享受.

第二組實驗結果如圖4(b)所示.同實驗1,根據風景路線規(guī)劃算法,起點與終點之間添加了多條高風景路段：②和③代表的路段周圍有許多藝術表演場所,這些路段給人帶來很好的視覺享受；⑨代表的路段在加利福尼亞街上,附近有很多宴會廳、俱樂部等供人娛樂的場所；⑩所代表的路段附近有輪渡大廈,在海灣邊坐上輕軌電車,享受棕櫚樹夾道迎接的悠閑愜意,是很多舊金山游客難忘的旅行經歷.最短路線在城市內部穿過,經過的道路兩旁都會有很多飯店、酒店、休閑場所等地方.

第三組實驗結果如圖4(c)所示.①代表的風景路段有許多藝術性建筑或商品,吸引很多人前去購買；②所代表的地方是舊金山交響樂團,它是世界最大的交響樂團之一,是古典音樂與當代音樂的結合.根據所提的風景路線規(guī)劃算法,搜索風景路段時首先選擇風景值最高的作為候選路段,如果此時的風景路線長度小于用戶給定的路線最大距離,則再次進行風景路段搜索,添加風景路段.因此,在本組實驗中,由于圖4(c)①所代表的路段風景值很高(同圖4(a)①所代表的路段),同時整體路線長度不會超過用戶給定的路線最大距離,會繞道經過①所代表的路段,然后再回到②所代表的路段.

3.2.2定量分析

如表1所示為路線長度與風景值的對比結果.從表1可以看出,每組實驗結果中的風景路線長度都滿足用戶的最長路線限制.在第一組實驗中,最短路線在距離上是最短的,但同時風景值最小；風景路線的長度最大,風景值也最大.在第二組實驗中,最短路線仍然是最短距離,但風景值卻不是最小.最短路線在城市內部穿過,經過的道路兩旁都會有很多飯店、酒店、休閑場所等地方,相對于海邊普遍會產生更多的簽到數(shù)據和照片數(shù)據,相應的路段風景值也會更高,因此最短路線的風景值比走海邊的出租車路線的風景值高.對于第三組實驗而言,最短路線與出租車路線的距離是一樣的,但是由于經過的具體路段不同，導致整體路線的風景值不同.

表1路線長度與風景值的對比結果

Tab.1Comparisonresultsofroutedistanceandscenicscore

實驗 路線長度/km 風景值 最短路線出租車路線風景路線最短路線出租車路線風景路線16.34197.54129.98430.05050.07450.260424.17305.25419.87320.04680.04020.0243734.74434.74059.58450.01400.01530.1694

表1直觀地表明了出租車路線和最短路線的長度都遠小于用戶限定的路線長度,其各自的路線風景值差別不大,都比較低,然而本文所提的風景路線規(guī)劃算法可以保證在整體路線長度不超過用戶路線長度限制的情況下,使整體路線風景值達到近似最優(yōu).

4結語

本文針對期望在兩點間尋求一條風景優(yōu)美的旅行路線的用戶,利用大量多源異構的眾包數(shù)據對路段風景值進行有效刻畫,提出了基于規(guī)則的路線規(guī)劃算法,在滿足用戶對路線長度的約束條件下,有效地提高了整體路線的風景值.接下來的研究將尋找更加合理的方法構建風景路網,如：區(qū)分室內室外照片、區(qū)分簽到數(shù)據的類型、考慮路段風景值的時變特性等,研究更切合實際環(huán)境的風景路線規(guī)劃算法,更合理地選擇及連接風景路段,高效快速地規(guī)劃風景旅行路線.

參考文獻(References)：

[1]NileGuide-FreeTravelGuidestoPlanaTrip[Z/OL]. [2015-06-01].https:∥www.nileguide.com/.

[2]YourTour-PersonalTourPlanner[Z/OL]. [2015-06-01].https:∥www.yourtour.com/.

[3] 百度地圖 [Z/OL]. [2015-06-01].http:∥map.baidu.com/.

[4]GoogleMaps[Z/OL]. [2015-06-01].http:∥www.google.cnmaps.

[5]Foursquare[ZOL]. [2015-06-01].https:∥foursquare.com/.

[6]Flickr[Z/OL]. [2015-06-01].https:∥www.flickr.com/.

[7]OpenStreetMap[Z/OL]. [2015-06-01].https:∥www.openstreetmap.org.

[8]KENNEDYL,NAAMANM,AHERNS,etal.Howflickrhelpsusmakesenseoftheworld:contextandcontentincommunity-contributedmediacollections[C] ∥Proceedingsofthe15thInternationalConferenceonMultimedia.Augsburg:ACM, 2007: 631-640.

[9]RATTENBURYT,GOODN,NAAMANM.Towardsautomaticextractionofeventandplacesemanticsfromflickrtags[C] ∥Proceedingsofthe30thAnnualInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.Amsterdam:ACM, 2007: 103-110.

[10]YANAIK,KAWAKUBOH,QIUB.Avisualanalysisoftherelationshipbetweenwordconceptsandgeographicallocations[C]∥ProceedingsoftheACMInternationalConferenceonImageandVideoRetrieval.Santorini:ACM, 2009: 13.

[11]LIX,WUC,ZACHC,etal.Modelingandrecognitionoflandmarkimagecollectionsusingiconicscenegraphs[M] ∥ComputerVision-ECCV2008.Berlin:Springer, 2008: 427-440.

[12]SNAVELYN,SEITZSM,SZELISKIR.Modelingtheworldfrominternetphotocollections[J].InternationalJournalofComputerVision. 2008,80(2): 189-210.

[13]GOESELEM,SNAVELYN,CURLESSB,etal.Multi-viewstereoforcommunityphotocollections[C] ∥ 2007ICCV2007IEEE11thInternationalConferenceonComputerVision.RiodeJaneiro:IEEE, 2007: 1-8.

[14]SNAVELYN,SEITZSM,SZELISKIR.Phototourism:exploringphotocollectionsin3D[J].ACMTransactionsonGraphics(TOG), 2006, 25(3):835-846.

[15]ZHENGY,ZHANGL,XIEX,etal.MininginterestinglocationsandtravelsequencesfromGPStrajectories[C] ∥Proceedingsofthe18thInternationalConferenceonWorldWideWeb.Madrid:ACM, 2009: 791-800.

[16]HAOQ,CAIR,WANGXJ,etal.Generatinglocationoverviewswithimagesandtagsbymininguser-generatedtravelogues[C] ∥Proceedingsofthe17thACMInternationalConferenceonMultimedia.Beijing:ACM, 2009: 801-804.

[17]HAOQ,CAIR,WANGC,etal.Equiptouristswithknowledgeminedfromtravelogues[C]∥Proceedingsofthe19thInternationalConferenceonWorldWideWeb.Raleigh:ACM, 2010: 401-410.

[18]ZHENGYT,ZHAZJ,CHUATS.Miningtravelpatternsfromgeotaggedphotos[J].ACMTransactionsonIntelligentSystemsandTechnology(TIST), 2012,3(3): 56.

[19]ARASEY,XIEX,HARAT,etal.Miningpeople’stripsfromlargescalegeo-taggedphotos[C]∥Proceedingsoftheinternationalconferenceonmultimedia.Firenze:ACM, 2010: 133-142.

[20]CHENGAJ,CHENYY,HUANGYT,etal.Personalizedtravelrecommendationbyminingpeopleattributesfromcommunity-contributedphotos[C]∥Proceedingsofthe19thACMinternationalconferenceonMultimedia.Scottsdale:ACM, 2011: 83-92.

[21]KAWAIY,ZHANGJ,KAWASAKIH.TourrecommendationsystembasedonwebinformationandGIS[C]∥ 2009ICME2009IEEEInternationalConferenceonMultimediaandExpo.NewYork:IEEE, 2009:990-993.

[22]ZHANGJ,KAWASAKIH,KAWAIY.Atouristroutesearchsystembasedonwebinformationandthevisibilityofscenicsights[C]∥ 2008ISUC′08SecondInternationalSymposiumon.UniversalCommunication.Hannover:IEEE, 2008: 154-161.

[23]YUZ,FENGY,XUH,etal.Recommendingtravelpackagesbasedonmobilecrowdsourceddata[J].CommunicationsMagazine, 2014,52(8): 56-62.

[24]CHENC,ZHANGD,GUOB,etal.TripPlanner:personalizedtripplanningleveragingheterogeneouscrowdsourceddigitalfootprints[J].IEEETransactionsonIntelligentTransportationSystems, 2015, 16(3):1259-1273.

[25]QUERCIAD,SCHIFANELLAR,AIELLOLM.Theshortestpathtohappiness:recommendingbeautiful,quiet,andhappyroutesinthecity[C]∥Proceedingsofthe25thACMConferenceonHypertextandSocialMmedia.Santiago:ACM, 2014: 116-125.

[26]ZHENGYT,YANS,ZHAZJ,etal.GPSView:ascenicdrivingrouteplanner[J].ACMTransactionsonMultimediaComputing,Communications,andApplications(TOMM), 2013,9(1): 259-271.

收稿日期：2016-01-08.

基金項目：中央高?；鹳Y助項目(106112015CDJXY180001,106112015CDJZR185518)；國家自然科學基金資助項目(61572088)；留學人員科技活動項目；空間信息智能感知與服務深圳市重點實驗室(深圳大學)開放基金資助項目.

作者簡介：陳霞(1992—),女,碩士生,從事普適計算研究.ORCID: 0000-0003-2617-0676. E-mail: chenxia_office@126.com 通信聯(lián)系人：陳超,男,副教授.ORCID: 0000-0003-2094-9734. E-mail: ivanchao.chen@gmail.com

DOI:10.3785/j.issn.1008-973X.2016.06.024

中圖分類號：TP 399

文獻標志碼：A

文章編號：1008-973X(2016)06-1183-06

Scenictravelrouteplanningbasedonmulti-sourcedandheterogeneouscrowd-sourceddata

CHENXia1,CHENChao2,LIUKai2

(1.Center of Automotive Collaborative Innovation, Chongqing University, Chongqing 400044, China；2. School of Computer Science, Chongqing University, Chongqing 400044, China)

Abstract:A scenic travel route planning system was proposed based on multi-sourced and heterogeneous crowd-sourced data, aiming to recommend the best scenic travel route between two given points with length constraint. Firstly, the basic road network extracted from OpenStreetMap (OSM), the mobile social network and media data were integrated to score the beauty of each road-segment and get the model of scenic road network. Secondly, a rule-based scenic route planning algorithm was proposed to maximize the overall scenic route values under the given constraints. Finally, San Francisco was selected as experimental object. The experimental results show that the proposed scenic route planning algorithm can achieve excellent performance.

Key words:multi-sourced and heterogeneous crowd-sourced data; scenic road network model; scenic score; travel route planning