Что такое камера пои

Что такое poi

Система POI: огни чужого города

Что же такое POI? Система, прописанная в навигаторе, поможет быстро найти в незнакомом городе ближайшие больницу, магазин, кинотеатр и т. п. Но все это в теории — а как на деле?

Ваш мир

Для первой оценки возьмем прибор с одной из самых популярных навигационных оболочек iGo и картами России и Европы от NAVTEQ. Кстати, только эта программа позволяет использовать библиотеки POI разных производителей. На тестовом аппарате нашей стране посвящено два файла — от компаний NAVTEQ и TeleAtlas. Значит, база данных будет полнее. Впрочем, это лишь полдела: не менее важно, чтобы нужный объект было легко найти.

С этим у iGo проблем нет: в первую очередь пользователю предлагают типичные для путешественника-автомобилиста запросы: АЗС, парковки, рестораны и гостиницы. Можно перейти в более глубокий поиск — вдоль проложенного маршрута, рядом с текущей или конечной позициями, а также в определенном городе. Конечно, выбор объектов интереса не ограничен жизненно необходимыми. И все же некоторые позиции озадачивают.

Кому-то не понравится, что на основном экране карты нет ярлычков интересных мест. Кому-то не понравится, что на основном экране карты нет ярлычков интересных мест.

Простой пример: в категории «Побережье» скрываются отнюдь не набережные и пляжи, а пристани и яхтклубы. Впрочем, это мелочи.

Тем более, что поставить программу в тупик непросто. Найти аэропорт, цирк, музей и гостиницу — с подобными задачами iGo справляется на «отлично». Но если туристу захочется отъехать от города, могут начаться сложности.

Например, хотите отыскать известный монастырь Оптина Пустынь? После нескольких неудачных экспериментов решение нашлось: путем поиска по имени объекта около текущей позиции.

Искать по-русски

А как обстоят дела с POI у чисто русских оболочек? Вот аппарат с программой «Навител-Навигатор». Здесь карты России собственной разработки, база данных по точкам — тоже.

И это заметно: импортные продукты стараются не грузить водителя обилием ярлычков на экране, а «Навител» буквально пестрит ими.

Здесь есть все: рестораны и автосервисы, больницы и кладбища, религиозные организации, магазины, парковки Причем, если зарубежные аналоги хорошо знают только Москву и Питер, то здесь можно найти точки интереса даже в отдаленных городках.

Но система поиска, как и общая структура меню в «Навителе», не образец. На главном экране вместо всем известной аббревиатуры POI мы нашли только загадочный пункт «Ближайшие». Видимо, это слово, по мнению разработчиков, является синонимом точек интересов.

Поиск возле заданной точки тоже выглядит довольно странно. Сначала надо выбрать пункт «рядом с курсором», затем ткнуть в неприметный треугольничек внизу экрана. Зато больше придраться не к чему — структура поиска позволяет найти нужный объект быстро и уверенно.

Категории точек интересов прописаны как надо. А уж их количество как в поиске, так и на карте заслуживает самой высокой оценки.Категории точек интересов прописаны как надо. А уж их количество как в поиске, так и на карте заслуживает самой высокой оценки.

Еще один минус: «Навител», как и большинство других отечественных навигационных программ, отлично ориентируется на родине, но в заграничное турне с ним ехать бессмысленно. В лучшем случае найдете карты Прибалтики и Финляндии.

Угадай

Точки POI :: Объекты для карты GPS навигации АВТОСПУТНИК

Объекты POI или точки интереса (от англ. points of interest) — это объекты инфраструктуры, достопримечательности, природные объекты и важные точки на дорогах, координаты и информация о которых нанесены на GPS карту.

К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.

В программе АВТОСПУТНИК 5 набор объектов POI полностью интегрирован в карту. Расширение этого набора невозможно.

Для программы АВТОСПУТНИК 3 Вы можете скачать дополнительные наборы POI, который можно доустановить на навигатор.

Примечание

Дорожные POI — это дорожные объекты и места повышегго внимания: камеры, радары, «лежачие полицейские», стационарные и передвижные посты ДПС, железнодорожные переезды и другие.

Общие POI — это все прочие точки POI: АЗС, шиномонтажи, автосалоны, автосервисы, достопримечательности, гостиницы, метро, магазины, кафе, аптеки, банкоматы и множество других объектов, включая государственные, муниципальные и социальные службы.

Как обновить точки POI

Только для АВТОСПУТНИК 3

Скачайте архив c дополнительными точками POI для нужной страны. Распакуйте файл, удалите из каталога \POI-waypoints\ старый файл для обновляемой страны (road_poi* для дорожных POI или poi* для общих) и замените его новым. Если старый файл не удалить, на карте появятся дубликаты точек POI.

Источник

Что такое пои в радар детекторе

POI (англ. point of interest ) — достопримечательность или другой объект, отмеченный точкой на карте.

По мнению человека, создавшего эту точку, информация о ней может оказаться интересной или полезной. К примеру, это могут быть отели, заправки, магазины, музеи, храмы, парковки, вокзалы, источники пресной воды, удачные места для фотосъёмки, памятники и т. д. [1] Термин POI широко используется в картографии, особенно в электронной, включая ГИС и GPS-навигационное программное обеспечение.

Полноценная POI содержит информацию о координатах (широта и долгота), название, описание и другие параметры, в том числе высота, номер телефона. В приложениях для навигации обычно POI отображаются в виде тематических иконок.

Содержание

Структура POI [ править | править код ]

POI обязательно имеют определенные географические координаты (широту и долготу), которые определяют положение данной точки на карте. Кроме этого, POI могут содержать дополнительную информацию, например:

Как правило, POI сгруппированы по типам объектов (например, «проживание», «питание», «культура» и т. д.) и отображаются на карте с помощью соответствующих иконок.

Использование POI [ править | править код ]

Навигационные программы поддерживают поиск POI по типу, имени и/или адресу, поэтому база POI может использоваться во время путешествий как справочник. Кроме этого, в некоторых программах ближайшие POI отображаются на карте во время движения по маршруту.

Коллекции POI [ править | править код ]

Цифровые карты для современных GPS-устройств чаще всего содержат базовую коллекцию POI для региона этой карты.

Также существуют сайты, созданные для хранения, поиска и распространения POI, благодаря которым пользователь может загрузить новые POI в своё устройство или заменить существующие [2] . Некоторые из этих сайтов являются общими, другие специализируются на отдельных категориях объектов (например, родники, тайники [3] , места отдыха) или GPS-устройствах (например, TomTom/Garmin). Владельцы устройств также могут создавать собственные коллекции.

Объекты POI или точки интереса (от англ. points of interest) – это объекты инфраструктуры, достопримечательности, природные объекты и важные точки на дорогах, координаты и информация о которых нанесены на GPS карту.

К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.

В программе АВТОСПУТНИК 5 набор объектов POI полностью интегрирован в карту. Расширение этого набора невозможно.

Для программы АВТОСПУТНИК 3 Вы можете скачать дополнительные наборы POI, который можно доустановить на навигатор.

Дополнительные объекты POI для АВТОСПУТНИК 3

Только для АВТОСПУТНИК 3

Страна	Дорожные POI	Общие POI
Россия	Скачать	Скачать
Беларусь	Скачать	Скачать
Украина	Скачать	Скачать
Казахстан	Скачать

Примечание

Дорожные POI – это дорожные объекты и места повышегго внимания: камеры, радары, «лежачие полицейские», стационарные и передвижные посты ДПС, железнодорожные переезды и другие.

Общие POI – это все прочие точки POI: АЗС, шиномонтажи, автосалоны, автосервисы, достопримечательности, гостиницы, метро, магазины, кафе, аптеки, банкоматы и множество других объектов, включая государственные, муниципальные и социальные службы.

Как обновить точки POI

Только для АВТОСПУТНИК 3

Скачайте архив c дополнительными точками POI для нужной страны. Распакуйте файл, удалите из каталога POI-waypoints старый файл для обновляемой страны (road_poi* для дорожных POI или poi* для общих) и замените его новым. Если старый файл не удалить, на карте появятся дубликаты точек POI.

Объекты POI или точки интереса (от англ. points of interest) — это объекты инфраструктуры, достопримечательности, природные объекты и важные точки на дорогах, координаты и информация о которых нанесены на GPS карту.
К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.

Как загрузить точки в Ваш Nissan Connect:

1. Вам понадобится Flash-карта, лучше всего отформатированная в формате FAT. На карте необходимо будет создать папки со следующей последовательностью

X:myPOIsmyPOIWarningsspeedcam.csv, где X — имя диска флэшки.

2. Необходимо загрузить свежие точки POI с ресурса mapcam.info/speedcam/, где вы должны зарегистрироваться, что бы получить доступ к загрузке.
Снимок

Выбираем необходимые нам данные
(Во вкладке «дополнительные опции» можно выбрать тот тип POI, которые Вам нужны)
Снимок2

После чего нажимаем кнопку ЗАГРУЗИТЬ и к вам на компьютер скачивается архив с файлом в фортмате .CSV, который нам надо будет переименовать в speedcam.csv и положить по пути, указанном выше.
3. Подключаем флешку в USB и Nissan Connect находит данные POI и спрашивает, загрузить ли их. Соглашаемся. Ждём окончания операции.
4. Вынимаем флэшку и можно ехать. Навигатор Nissan Connect будет предупреждать о радарах звуковым сигналом и надписью на экране.

Файл не должен превышать более 2мб в размере, иначе Nissan Connect не сможет их загрузить!

Источник

Как мы персонализировали POI

Мы в 2ГИС хотим облегчить пользовательскую поисковую рутину и потому стремимся предугадывать запросы пользователей. Под катом расскажем про то, как мы придумали алгоритм для персонализации интересных мест и что из этого вышло.

POI (point of interest) — маленькая круглая иконка на карте. Обозначает место или компанию, которые могут представлять интерес для пользователя.

Вот они — POI 2ГИС. У каждой рубрики своя иконка

Объекты POI — популярные у большинства городские объекты в разных рубриках. А хочется учитывать ещё и интересы каждого пользователя отдельно. Поэтому мы решили добавить на карту персонализированные POI, которые будут отвечать за это.

Удачно подобранные POI ещё и сокращают цепочку шагов поиска на карте. Обычно пользователь ищет что-то так: открыл приложение → ввёл поисковый запрос → просмотрел выдачу → открыл карточку объекта.

С персонализированными POI пользователь может без поискового запроса сориентироваться на карте и найти информацию: открыл приложение → увидел нужный POI на карте → открыл карточку объекта.

Карта без персонализированных POI и с ними — интересными для пользователя рестораном, кофейней и клиникой

Данные

В качестве потенциальных объектов для POI логично брать те, к которым пользователь уже проявлял интерес. А среди них искать такие, к которым он вернётся с наибольшей вероятностью. При этом желательно, чтобы объекты интересовали пользователя как можно дольше — чтобы он привык искать их на карте.

Но как классифицировать эти данные? Можно разметить выборку объектов, обогатить множеством признаков и применить бустинг или нейронные сети. Но можно пойти другим путём — и придумать эмпирическое правило.

Эмпирическое правило

У эмпирического правила есть и плюсы, и минусы. Да, это даст более слабое качество классификации. Но главное преимущество — мы можем быстро и легко проверить востребованность POI. Подготовка данных, обучение такой модели и её внедрение займёт значительно меньше времени, чем, например, бустинг. А если фича окажется успешной как для пользователя, так и для компании, мы всегда сможем переключиться на более сложные и затратные модели.

Для эмпирических моделей важен хороший контекст в предметной области. Исследуя поведение пользователей в продукте, мы выяснили, что вероятность повторного обращения пользователя к продукту (retention rate) имеет экспоненциальное распределение.

Такое свойство есть не только у retention rate продукта, но и у многих других явлений, связанных с повторным обращением — например, повторное обращение к объекту, как в нашем случае. Это знание помогло нам разработать алгоритмы по определению «домашнего» города для пользователя, краткосрочных и долгосрочных пользовательских интересов.

Первый алгоритм

Первым делом сформировали выборку вида

— n-мерный вектор признаков i-го объекта, а в качестве объекта классификации рассматриваем все объекты, которыми интересовался пользователь за определённое время до даты расчёта. В нашем случае это два месяца.

— класс i-го объекта — отклик, который принимает значение, равное 1, если пользователь посетил фирмы в контрольный период времени, и 0, если не посетил.

Так как нам важны объекты, которые будут долго интересны пользователю, то в качестве контрольного периода выбрали месяц через две недели после даты расчёта. Этот лаг в две недели нужен, чтобы не захватить в число успешных объекты мгновенного/краткосрочного интереса — те, которые пользователь ищет прямо в дату расчёта или рядом с ней, но не факт, что вернётся к ним. Успешными считаем объекты с y=1 — то есть те, к которым пользователь вернулся во время контрольного периода.

Правило , которое множеству признаков объекта Х ставит в соответствие его класс Y, выглядит так:

\alpha ,y=1 \\иначе,y=0\end\right., $» data-tex=»display»/>

где k — общее количество дней (или любой другой единицы времени) в обучающей выборке.

равно 1, если в день с номером i пользователь интересовался объектом, иначе 0. ​​Номер дня равен 1 в первый день обучающей выборки и k в последний.

— параметр, отвечающий за скорость изменения значимости дня взаимодействия с объектом по мере удаления от даты расчёта.

— пороговое значение.

Идея в том, что чем дальше день, когда пользователь интересовался объектом, тем меньший вес будет у этого дня при оценке этого объекта. Параметры функции и подбираются путём максимизации целевой переменной:

где F — это F-мера с соответствующим соотношением желаемой точности и полноты модели. В этой задаче основной акцент на точности алгоритма, поэтому брали параметр .

Результаты 1.0

Проверили алгоритм больше чем на 450 млн объектов. Среди них доля объектов с откликом, равным 1, составляет примерно 5%. Полнота алгоритма — 0.153, точность — 0.401, а F-мера — 0.303.

Качество такого алгоритма может показаться недопустимо низким. Дело в том, что в число объектов для классификации входят объекты, которые мы не можем отнести к долгосрочным интересам на основе данных метрик — пользователи интересовались ими слишком мало, чтобы делать какие-то выводы.

Только 3% объектов интересовали пользователя больше двух дней за обучающий период. В этом нет ничего удивительного: туда входят объекты из сфер с низким retention. Таких много, они могут быть очень крупными — например, аптеки, бары или просто объекты, которые не заинтересовали пользователя.

Среди объектов с откликом, равным 1, такой процент выше — 22%. Это тоже мало, но объясняется большим периодом между посещениями объекта.

Если исключить такие объекты, то при тех же параметрах модели полнота вырастает с 0.153 до 0.684 при той же точности в 0.401, а F-мера с акцентом на точности становится равной 0.437 — классическая, конечно, выше.

Однако при таком виде модели остаётся ещё две проблемы. Во-первых, у пользователей разный уровень активности: кто-то пользуется приложением раз в день, а кто-то — раз в месяц. Поэтому использование общего порогового значения и одних параметров весовой функции может занижать качество классификации.

Во-вторых, у объектов может быть разная частота посещения в зависимости от их сферы деятельности. Например, за продуктами в гипермаркет пользователь ездит стабильно раз в неделю, в парикмахерскую ходит раз в месяц, а при простуде может посещать поликлинику так часто, как скажет врач. Так что мы можем упускать объекты с большими интервалами посещения.

Второй алгоритм

Чтобы учесть эти проблемы, мы добавили в функцию признак, показывающий максимальный период пользовательского интереса, и немного иначе учли интенсивность посещения объекта и его актуальность. Разделили пользователей на три группы по частоте посещения продукта. Для каждой из них подобрали свои параметры этой модели:

\alpha ,y=1 \\иначе,y=0\end\right.,$» data-tex=»display»/>

k — количество дней в обучающей выборке.

— номер последнего дня взаимодействия пользователя с объектом (равен 1 в первый день обучающей выборки и k в последний).

— количество дней взаимодействия пользователя с объектом в рассматриваемом периоде.

— количество дней между первым и последним днём взаимодействия пользователя с объектом в рассматриваемом периоде.

— параметры функции, которые подбираются путём максимизации целевой переменной (в нашем случае это F-мера) аналогичным для первой модели образом.

Результаты 2.0

Оценили параметры и получили следующие результаты по кластерам пользователей.

Кластер	Полнота	Точность	F-мера
1. Объекты пользователей, которые заходят в 2ГИС реже трёх раз в месяц	0.072	0.349	0.197
2. Объекты пользователей, которые заходят в 2ГИС чаще трёх раз в месяц	0.162	0.457	0.335
3. Объекты пользователей, которые заходят в 2ГИС чаще десяти раз в месяц	0.194	0.514	0.386
Итого по 2-му алгоритму	0.177	0.492	0.363
Итого по 1-му алгоритму	0.153	0.401	0.303

F-мера увеличилась для всех кластеров, кроме первого — ему соответствует самая неактивная часть аудитории и на неё приходится не так много объектов.

Количество истинно-положительных объектов увеличилось на 17%. Прирост в точности составил 9.1%, а в полноте — 2.4%. Общая F-мера увеличилась на 6%.

Если исключить объекты с слишком маленьким количеством уникальных дней, то при тех же параметрах модели полнота вырастает с 0.177 до 0.802 (для первой модели 0.684, то есть прирост на 11.8%) при той же точности в 0.492 (для первой модели 0.401, то есть прирост на 9.1%). И если исходя из этого оценить F-меру , то для второго алгоритма она будет 0.533, а для первого 0.437, то есть прирост составляет 9.6%.

Итог эксперимента на бою

Декомпозиция данных и ввод дополнительных параметров значительно улучшили качество модели. Значит, более сложные модели могут повысить качество результата. Но прежде чем улучшать алгоритм, решили проверить фичу на бою и посмотреть, понравится ли она пользователям.

Персонализированные POI чуть больше обычных и появляются на карте раньше них

За месяц 500 000 пользователей сделали 1 млн кликов по персонализированным POI. Это примерно 12% от тех пользователей, кому мы их подобрали — но это не значит, что остальные пользователи не обратили на них внимание.

Примерно 40% от тех, кому подобрали персонализированные объекты, обращались к этим объектам другими способами. И это тоже хорошо — значит, есть потребность в персонализации не только на карте, но и в других составляющих продукта.

POI vs Избранное

Чтобы оценить, достаточно ли для нас таких результатов, мы решили сравнить персонализированные нами POI с объектами, которые пользователь персонализировал сам — с Избранным.

У персонализированных POI и Избранного похожая цель — запомнить места, в которые хочется вернуться. Похож и внешний вид — они отмечены иконками на карте и имеют примерно один и тот же масштаб отображения. Разница во внешнем виде: значок у всех объектов Избранного всегда один и тот же — белый флажок на оранжевом или красном фоне, а у персонализированных POI цвет и пиктограмма иконки меняется и зависит от отрасли объекта.

Персонализированные POI ещё и подскажут текстом, что за объект нас интересовал — в отличие от иконок Избранного без подписей

Оказалось, что доля пользователей с кликами в персональные POI больше, чем доля пользователей с кликами в Избранное с карты — в два раза среди тех, кому POI вообще были подобраны, и в полтора раза среди всех пользователей.

Фактически, мы сделали для пользователя обновляемое Избранное на карте, за которым ему не надо следить и вообще что-либо самому делать. Это довольно неплохой результат — поэтому есть смысл развивать персональные POI и дальше.

Выводы

Эмпирические модели могут быть полезны и эффективны на начальных этапах запуска фич и в условиях ограниченности ресурсов, потому что они могут дать результат быстро и дёшево. Главное — формировать предположения, исходя из глубокого понимания логики продукта, его природы и поведения пользователей.

Ну и ещё один вывод — будущее за персонализацией.

Источник