Congresos.adeituv.es



Análisis de la huella digital del turista en entornos urbanos patrimoniales a través del Big Data: el caso de Toledo.

I. MOHINO SANZ1 , B. MOYA GÓMEZ2 Y J.C. GARCÍA PALOMARES3

1 Departamento de Geografía, Universidad Complutense de Madrid, mamohino@ucm.es

2 Departamento de Geografía, Universidad Complutense de Madrid, bmoyagomez@ucm.es

3 Departamento de Geografía, Universidad Complutense de Madrid, jcgarcia@ghis.ucm.es

RESUMEN

La información geolocalizada, y en particular la que proviene de redes sociales, es una innegable y prometedora fuente de información, especialmente en el campo de la planificación (y dentro de esta, en la movilidad turística). Dada esta oportunidad, el objetivo de esta contribución es triple. En primer lugar, y desde un punto de vista metodológico, demostrar el potencial de los sitios web de almacenamiento y difusión de fotografías en el campo de la movilidad turística. En segundo lugar, y desde un punto de vista de la planificación urbana, realizar una comparativa entre los puntos de interés turístico en base a la concentración de fotografías georreferenciadas y la ubicación de los espacios patrimoniales en la ciudad. Esto permitiría identificar aquellos lugares más visitados (y las principales rutas seguidas por los turistas) y ayudar en la toma de decisiones (por ejemplo, identificando localizaciones óptimas de puntos de información, de actividades económicas o de alojamientos). Asimismo, permitiría considerar áreas poco aprovechadas turísticamente y redactar estrategias para fomentar su valor. En tercer lugar, también desde la planificación, analizar el impacto de determinadas estrategias locales en la creación de nuevos puntos de interés o en el impulso/consolidación de los ya existentes. Para llevar a cabo la investigación, se han utilizado fotografías georreferenciadas de Flickr (2010-2017) para la ciudad de Toledo (Patrimonio de la Humanidad).

Palabras clave: BigData; Flickr; fotografías geolocalizadas, turismo, Ciudad Patrimonio de la Humanidad, Toledo

INTRODUCCIÓN

Durante los últimos años es cada vez más habitual oír hablar de la ‘turistificación’ de nuestras ciudades. Más si cabe en un país donde el turismo, un sector que se ha visto favorecido por una revolución global (influida no solo por un cambio cultural que ha convertido el viaje en un objeto más de consumo sino por la aparición de ciertos productos económicamente más competitivos, como el transporte low cost o los alojamientos temporales turísticos), es el mayor activo de su economía. Todo esto ha provocado un aumento considerable de la presencia de visitantes en ciudades con una importante atracción turística (llegando incluso a hablar de masificación), ante el cual gobiernos locales han de dar respuesta: planificación y gestión han de evitar que instalaciones y servicios de un barrio o una ciudad pasen a dedicarse de manera casi exclusiva al turista en perjuicio del residente. La relevancia de este tema queda patente en los recientes estudios sobre la coexistencia e interacción entre locales y turistas (Bimonte, S. y Faralla, V., 2016; Gutiérrez et al., 2017; Lin et al., 2017; Maitland, 2008). En este contexto, tal y como se ha venido señalando desde las últimas décadas del s.XX, es fundamental prestar mayor atención al turismo urbano, haciendo énfasis en el comportamiento de los turistas en las ciudades de destino y entendiendo su interacción con los principales nodos turísticos de las ciudades (Ashworth, 1989; Ashworth, 2003; Ashworth y Page, 2011; Page, 1995; Pearce, 1995, 2001, 1999; Edwards et al., 2008).

Sin embargo, estas cuestiones habían sido hasta el momento poco exploradas, entre otros, por la dificultad de extraer esta información sobre el comportamiento turista (particularmente a nivel local) de las estadísticas oficiales: mientras que los diarios de viaje han constituido la principal fuente de información, éstos presentan ciertas limitaciones como los bajos niveles de participación o el insuficiente/inadecuado grado de detalle para identificar las rutas seguidas por los turistas (Hayllar y Griffin, 2005; Mckercher y Lau, 2008; Shoval y Raveh, 2004; Shoval et al., 2011). Recientemente, la emergencia de nuevas tecnologías basadas en sistemas GPS y GIS, constituyen un innegable avance en el análisis de los patrones de viaje turísticos (Chareyron et al., 2013). Y es que en la era de las tecnologías, toda actividad humana deja un rastro (smartphones, GPS, tarjetas de crédito o incluso la información generada en las redes sociales como Twitter, Facebook o Flickr) pudiendo monitorizarse a través de ellas el comportamiento espacial de la población a diferentes escalas: desde la internacional/nacional (Hwang et al., 2006; Wu y Carson, 2008) a la local (Asakura y Iryo, 2007; McKercher y Lau, 2008). En definitiva, las nuevas fuentes de información geolocalizada constituyen una oportunidad al permitir entender las actividades humanas en espacio y tiempo con alta resolución y analizar dinámicamente las ciudades utilizando información actualizada (sin necesidad de depender de estadísticas oficiales (sobre población, actividad económica, tráfico o cualquier otro indicador urbano). Asimismo, han permitido nuevos análisis (o mejorado los existentes) en relación al comportamiento de viaje turista y su uso de las ciudades (Hawelka et al., 2014) y así lo demuestran la diversidad de estudios desarrollados en los últimos años destinados a:

a) Digitalización de la información georreferenciada, dando lugar a la elaboración de representaciones cartográficas sobre la popularidad de ciertos lugares (Tammet et al., 2013) o a mapas de concentración de usuarios[1]

b) Estimación del número de turistas y cuantificación de viajes internacionales (Barchiesi et al., 2015)

c) Identificación de las principales atracciones turísticas (hitos, puntos o regiones de interés) y su intensidad de uso (Popescu et al., 2009; Kisilevich et al., 2010, 2013; Gavric et al., 2011; Vu et al., 2015; Crandall et al., 2009; Zheng et al., 2012; Cao et al., 2010)

d) Comparativa entre patrones espaciales del turismo a escala local: diferencias entre varias ciudades y relación con su morfología (Kádár, 2013)

e) Caracterización de las preferencias turísticas internacionales (Su et al., 2016)

f) Análisis del comportamiento turista: número de turistas, número de fotografías, lugar y fecha de toma de las imágenes, movimientos/rutas en la ciudad (distinguiendo entre turistas internacionales y domésticos) (Straumann et al., 2014)

g) Análisis de la movilidad turista a diferentes escalas: internacional/regional (Bermigham y Lee, 2014; Farzanyar y Cercone, 2015, Girardin et al., 2007; Hwang et al., 2006), entornos urbanos (Girardin et al., 2008; Vu et al., 2015; Zheng et al., 2012) o espacios naturales (Orsi y Geneletti, 2013)

h) Identificación de eventos sociales: festivales, desfiles, manifestaciones, eventos deportivos (Rattenbury et al., 2007; Sun y Fan, 2014)

i) Propuesta de sistemas de recomendación de viaje (Kurashima et al., 2013; Lu et al., 2010; Sun et al., 2015)

j) Análisis de emociones asociadas a un lugar a través de análisis semánticos (Hauthal y Burghardt, 2016; Kennedy et al., 2007; Rattenbury et al., 2007)

k) Análisis de patrones de alojamiento turístico (Sun et al., 2013)

No obstante, hasta el momento un número considerable de las investigaciones basadas en información georreferenciada han sido desarrolladas en el campo de las Ciencias de la Computación con el fin de elaborar herramientas y técnicas para la recopilación y explotación de información (Okuyama y Yanai, 2013; Vu et al., 2015). Asimismo, aquellos estudios destinados a analizar los patrones de movilidad turista en ciudades se han limitado principalmente a la elaboración de grafos, definiendo rutas turísticas como una secuencia punto a punto a través de líneas rectas entre regiones de interés turístico (Comito et al., 2016; Kádár, 2013; Girardin et al., 2007; . Girardin et al., 2008; Vu et al., 2015). Tan solo un número limitado de investigaciones analiza el flujo de los visitantes a lo largo de la trama urbana, pero son concebidos más como sistemas de recomendación/planificación de viaje ofreciendo a los turistas las mejores rutas tomando como criterio la minimización de las distancias o la optimización del número de atracciones visitadas (van der Spek, 2008; Yin et al., 2011; Zheng et al., 2017).

En este sentido, considerando las limitaciones de trabajos anteriores, la presente investigación trata de dar un paso más, conectando las rutas turistas identificadas a través de fotografías geolocalizadas con el entramado de calles. El objetivo último sería conocer/entender las razones detrás de la selección de una ruta frente a otra (en general, los turistas no seleccionan el camino más corto) tratando de entender hasta qué punto las rutas son influidas por la presencia de un mayor número de elementos culturales/patrimoniales, actividad comercial o condiciones peatonales más óptimas (entre otros). Por otro lado, la mayoría de los estudios previos se han centrado en ciudades globales, de un cierto tamaño, donde la información disponible es elevada. En este sentido, otra de las finalidades de esta investigación es determinar la fiabilidad/potencial de estas nuevas fuentes de información en el campo de la movilidad turística para ciudades de tamaño medio, casos de estudio hasta ahora no explorados.

En definitiva, este estudio pretende contribuir a la literatura existente en tres sentidos: a) la obtención de información (mientras tradicionalmente la información de viajes/desplazamientos se ha recogido de manera manual a través de encuestas y diarios de viaje con un limitado número de –turistas- encuestados o, más recientemente, a través de datos de telefonía móvil, esta investigación utiliza como fuente de información una serie de fotografías geolocalizadas disponibles en internet – en concreto, de la plataforma Flickr debido a la posibilidad de descargar fácilmente la información a través de su API- y que permitiría extender los análisis a otros muchos destinos); b) el análisis de datos (más allá de la identificación de regiones de interés o de la interacción más popular entre ellos, esta investigación pretende contribuir a la literatura mediante la identificación de rutas reales de turistas a través de la red de calles); c) el caso de estudio (mientras que estudios previos se han centrado principalmente en ciudades globales, esta contribución explora la posibilidad/viabilidad de extraer información de rutas turísticas en ciudades medias).

1.1. Objetivos de la comunicación

Beneficiándose de las innegables ventajas de la información georreferenciada disponible de redes sociales, la investigación que aquí se presenta está encaminada en analizar el comportamiento de turistas en un destino urbano no solo mediante la delimitación de áreas/puntos de interés (y su temporalidad) sino a través de la identificación de las principales trayectorias turísticas a lo largo de la trama urbana. En particular, el estudio emplea una serie de fotografías georreferenciadas (con información espacio-temporal), compartidas en Flickr, como huella digital para trazar las trayectorias físicas de los turistas (Girardin, 2008; Zheng et al., 2012). A pesar de la posible escasez de información compartida por cada usuario (puntos de control) a través de esta red social frente a otras como Wikiloc u otras técnicas como dispositivos GPS (ver Figura 1), el atractivo de esta metodología radica en que los usuarios solo toman (y comparten) fotos de algo que consideran de su interés, lo cual representa una ventaja en la identificación de patrones de movimiento, ya que las trayectorias tienden a representar solo los puntos de interés de los usuarios (Arase et al., 2010). Otra ventaja de Flickr es la gran cantidad de información disponible (existen millones usuarios compartiendo sus fotos a través de Flickr), mientras que es generalmente difícil recopilar información GPS para un amplio número de personas (a lo que hay que añadir la limitada precisión de los GPS en espacios cerrados) u obtener un considerable número de rutas compartidas en wikiloc para determinados ámbitos/escalas.

[pic]

Figure 1 – Posibles fuentes de información: ventajas de Flickr. Fuente: autores basados en Flickr, wikiloc, GPS personal

Más en detalle, el objetivo principal de la contribución (análisis del turismo urbano en ciudades medias a través de información/fotografías geolocalizadas) puede desglosarse en los siguientes:

0. Identificación y análisis de los puntos de interés turístico

1. Comparación entre puntos de interés turístico y localización de Bienes de Interés Cultural (BICs)

a. Identificación de los lugares más visitados en la ciudad como base a la propuesta de estrategias locales enfocadas a la localización óptima de actividades destinadas a turistas (servicios, comercio, alojamiento, puntos de información turística, etc.)

b. Identificación de áreas en la ciudad no explotadas lo suficientemente desde el punto de vista turístico como base para la redacción de estrategias para fomentar su valor o como alternativa a zonas/rutas de la ciudad con una presencia turista elevada

2. Análisis de la temporalidad de los lugares de interés turístico con una doble finalidad:

a. Evaluación del impacto de ciertas estrategias locales en la atracción de turistas (generación de nuevos lugares de interés turístico o consolidación de los existentes)

b. Evolución de la variación de lugares de interés turiístico según la estación del año

3. Identificación de patrones de movilidad turística, a diferentes escalas:

a. Escala regional o metropolitana (de dónde vienen y a dónde van los turistas)

b. Escala local (rutas seguidas a través de la red de calles)

2. APROXIMACIÓN METODOLÓGICA Y RESULTADOS PRELIMINARES

Con el fin de alcanzar los objetivos de la investigación, se ha seleccionado la ciudad de Toledo, Patrimonio de la Humanidad, como caso de estudio. Para ella, el primer paso consistió en descargar para el período 2010-2017 las fotografías georreferenciadas y compartidas en Flickr. La descarga se realizó a través de la API de Flickr y para su análisis se empleó el software ArcGIS 10.4. Un total de 54.839 fotografías georreferenciadas, compartidas por 2.900 usuarios, fueron descargadas.

Con esto se consiguió un amplio conjunto de fotografías, P= {p}, donde cada fotografía geolocalizada (p) contiene los siguentes atributos: a) owner-id: identificador del usuario que comparte la fotografía (up); b) -id: identificador de la fotografía (pid); c) title: título; d) location-longitude: coordenada x (xp); e) location-latitude: coordenada y (yp); f) tags-tag: etiquetas (Lp); g) dates-taken: fecha y tiempo en el que fue tomada (o tiempo de captura tp).

Basados en esta información geoloalizada, para cada usuario se dispone de un conjunto de fotografías Pu ⊆ P , donde todas las fotos p ⊆ Pu han sido tomadas por el mismo usuario (up) y son ordenadas cronológicamente como una secuencia espacio-temporal. Se define una trayectoria de fotos como PT = (C, T, P, L) donde, para cada usuario:

a) C = {c1, …, cn} denota la secuencia de coordenadas xy de los lugares fotografiados (y por tanto, visitados) de la ciudad de estudio,

b) T = {t1, …, tn} denota la secuencia de fechas y horas en las que se tomaron las fotos, y

c) P={p1, …, pn} y L = {Lp1, …, Lpn} denotan, respectivamente, el conjunto de fotos capturada por cada usuario y las diferentes etiquedas de cada una de las fotos

Tras la descarga, el segundo paso es llevar a cabo un depurado de datos, eliminando:

a) Fotografías tomadas por usuarios que no son turistas en la ciudad analizada (es decir, se podrían considerar residentes en la ciudad): según García-Palomares et al (2015), se considerarían como no turistas aquellos usuarios que han estado tomando fotografías por un período superior a un mes.

b) Fotografías donde la fecha de captura es errónea: en ciertos casos, debido a errores en la configuración de fecha y hora del dispositivo, las fotografías aparecen tomadas fuera del período analizado (2010-2017)

c) Usuarios con un número insuficiente de fotografías subidas durante un mismo día: se eliminan los usuarios con un número de fotografías inferior a 5 ya que no sería posible obtener una ruta precisa. Aquí es importante considerar igualmente la concentración y dispersión de las fotografías para poder extraer de manera satisfactoria las rutas turísticas, es decir, muchas fotos en torno al mismo lugar o pocas fotos muy distantes entre ellas no permitirían la identificación de rutas con exactitud.

d) Fotografías geolocalizadas en un mismo punto

e) Fotografías para las que el periodo de tiempo transcurrido entre cada par de fotos es inferior al tiempo de recorrido entre los puntos donde han sido geolocalizadas

Una vez depurada la información (fotografías geolocalizadas), el tercer paso es analizarla. Estos análisis coinciden en cierto modo con los objetivos presentados en la sección anterior:

1. Identificación de los puntos de interés turístico a través de análisis de puntos calientes y fríos significativos en términos estadísticos mediante el uso de la estadística Gi* de Getis-Ord (Figura 2). Es decir, dada la colección de fotografías geolocalizadas y en base a una cuadrícula hexagonal, se identifican clusters espaciales estadísticamente significativos de valores altos (puntos calientes) y valores bajos (puntos fríos).

[pic] [pic]

Figura 2. Izda. Fotos tomadas por turistas entre 2010 y 2017. Dcha. Identificación de puntos calientes. Fuente: autores

2. Comparación entre puntos de interés turístico y localización de Bienes de Interés Cultural (BICs) e identificación de áreas con mayor o menor afluencia (presión). Análisis de la influencia que el plano turistico de la ciudad ( y los elemento en él representados) puede llegar a tener en la búsqueda y elección e itinerarios (Figura 3)

[pic] [pic]

Figura 3. Izda. Puntos de interés cultural vs. BICs. Dcha. Identificación de puntos caliente sobre el mapa turístico (las zonas con menor afluencia turística, a pesar de su considerable densidad de BICs, puede venir influida por su menor representatividad en el mapa turístico). Fuente: autores

[pic] [pic]

Figura 4. Análisis temporal de los Bienes de Interés Cultural donde se localizaron las exposiciones con motivo del Año del Greco en 2014. Fuente: autores

3. Análisis temporal de la capacidad de atracción de ciertos lugares de interés turístico, para evaluar el impacto de determinadas estrategias locales (Figura 4).

[pic]

Figura 5 – Construcción de rutas turísticas: ejemplo de una trayectoria turística. Fuente: autores adaptado de Zheng et al (2012, 2017)

4. Identificación de patrones de movilidad turística (rutas seguidas a través de la red de calles). Para ello, el primer paso es, para cada usuario, construir el grafo/secuencia entre cada par de fotos consecutivas y, basado en el tiempo de captura de cada una de ellas, extraer el período de tiempo transcurrido. La figura 5 muestra los lugares donde un determinado usuario tomó las fotografías durante un mismo día y la correspondiente secuencia punto a punto (foto a foto). En definitiva, para cada usuario (turista), gracias a la información geolocalizada (x_puik, y_puik) y al tiempo (tk) de cada foto, es posible establecer un seguimiento/secuencia espacio temporal de las fotografías tomadas: S= [(x0, y0, t0), …, (xk, yk, tk)]. Esta secuencia sería una buena aproximación inicial para identificar las trayectorias seguidas por los turistas. El siguiente paso sería la identificación de la ruta real seguida a través del entramado de calles. Para ello, para cada par de fotografías se obtienen la ruta mínima y la ruta culturalmente óptima (máximización del número de BICs visitados) y se obtienen los tiempos de recorrido a través de la red. Realizando una comparativa entre tiempos de captura y tiempos de recorrido, se identificaría la trayectoria real del turista (Figura 6).

[pic]

Figure 6 – Identificación de rutas turísticas a lo largo de la trama de calles. Mediante la comparación entre los tiempos de captura entre cada par de imágenes y los tiempos de viaje reales entre los puntos donde fueron tomadas para dos posibles rutas (opción A como el camino de minima distancia y opción B como la ruta más probable), se concluye que la opción A es posiblemente la ruta seguida por el turista. Fuente: autores.

3. CONCLUSIONES

La información geolocalizada, y en particular la que proviene de redes sociales, es una innegable y prometedora fuente de información, especialmente en el campo de la planificación (y dentro de esta, en la movilidad y gestión turísticas). Dada esta oportunidad, el objetivo de esta contribución es triple. En primer lugar, y desde un punto de vista metodológico, demostrar el potencial de los sitios web de almacenamiento y difusión de fotografías en el campo de la movilidad turística. En segundo lugar, y desde un punto de vista de la planificación urbana, realizar una comparativa entre los puntos de interés turístico en base a la concentración de fotografías georreferenciadas y la ubicación de los espacios patrimoniales en la ciudad. Esto permitiría identificar aquellos lugares más visitados (y las principales rutas seguidas por los turistas) y ayudar en la toma de decisiones (por ejemplo, identificando localizaciones óptimas de puntos de información, de actividades económicas o de alojamientos). Asimismo, permitiría considerar áreas poco aprovechadas turísticamente y redactar estrategias para fomentar su valor. En tercer lugar, también desde la planificación, analizar el impacto de determinadas estrategias locales en la creación de nuevos puntos de interés o en el impulso/consolidación de los ya existentes.

No obstante, si bien el análisis del comportamiento turista a través de imágenes geolocalizadas no es novedoso, hasta ahora los estudios existentes se habían centrado en la identificación de rutas turísticas como secuencias punto a punto entre imágenes geolocalizadas (Hanthal y Burghardt, 2015; Girardin et al., 2008; Kádár, 2013; Vu et al., 2015 o Zheng et al., 2012), olvidando las trayectorias reales seguidas por los turistas a lo largo de la trama urbana. En este sentido, la investigación que aquí se presenta complementa la literatura existente sobre turismo urbano proponiendo una metodología de identificación de rutas reales, y lo hace para un caso de estudio hasta ahora no explorado: ciudades medias, considerando como caso de estudio la ciudad de Toledo y como fuente de información, las imágenes georreferenciadas de Flickr.

La oportunidad de esta investigación radica en la potencialidad de utilizar la metodología aquí presentada como base para la planificación y gestión turística en un ámbito local: a través de la identificación de los lugares más visitados en la ciudad y propuesta de estrategias locales enfocadas a la localización óptima de actividades destinadas a turistas (servicios, comercio, alojamiento, puntos de información turística, etc.) así como de la identificación de áreas en la ciudad no explotadas lo suficientemente desde el punto de vista turístico y la redacción de estrategias bien para fomentar su valor o bien como alternativa a zonas/rutas de la ciudad con una presencia turista elevada.

4. AGRADECIMIENTOS

Los autores agradecen al programa Juan de la Cierva – Formación, gracias al cual ha sido posible la financiación de esta investigación.

5. BIBLIOGRAFÍA

Barchiesi, D., Moat, H.S., Alis, C., Bishop, S., Preis, T. (2015) Quantifying International Travel Flows Using Flickr. PLoS ONE 10(7): e0128470.doi:10.1371/journal.pone.0128470.

Bermigham, L. y Lee, I. (2014) Spatio-temporal Sequential Patterns Mining for tourism Sciences. Procedia Computer Science 29, pp.379-389.

Cao L., Luo J., Gallagher A., Jin X, Han J, y Huang T. S.. (2010) A worldwide tourism recommendation system based on geotagged web photo. Proceedings of the IEEE International Conference on Acoustics Speech and Signal Processing, pages 2274–2277.

Comito, C., Falcone, D. y Talia, D. (2016) Mining human mobility patterns from social geo-tagged data. Pervasive and Mobile Computing 33, pp. 91-107.

Crandall D. J., Backstrom L., Huttenlocher D., y Kleinberg J. (2009) Mapping the world’s photos. In Proceedings of the 18th International Conference on World Wide Web, pages 761–770.

Farzanyar, Z., y Cercone, N. (2015) Trip PAttern Minin Using Large Scale Geo-tagged Photos. Proceedings of the International Conference on Computer and Information Science and Technology. Ottawa, Ontario, Canada, May 11 – 12, 2015. Paper No. 113.

Girardin, F., Blat, J., Calabrese, F., Dal fiore, F., y Ratti, C. (2008) Digital Footprinting: Uncovering Tourists with User-Generated Content, IEEE Pervasive Computing 7(4), pp.36-43

Hauthal, E. y Burghardt, D. (2016) Using VGI for analyzing activities and emotions of locals and tourists. AGILE 2016 – Helsinki, June 14-17, 2016

Hwang, Y.-H., Gretzel, U., & Fesenmaier, D. R. (2006). Multicity trip patterns: Tourists to the United States. Annals of Tourism Research 33, pp.1057-1078.

Kádár, B. (2013) Differences in the spatial patterns of urban tourism in Vienna and Prague, Urbani Izziv 24 (2), pp.96-111.

Kennedy, L., Naaman, M., Ahern, S., Nair, R., & Rattenbury, T. (2007). How Flickr helps us make sense of the world: Context and content in communitycontributed media collections. In Proceedings of the conference on multimedia. New York, NY: ACM. pp. 631–640.

Kisilevich, S., Keim, D., Andrienko, N., & Andrienko, G. (2013). Towards acquisition of semantics of places and events by multi-perspective analysis of geotagged photo collections. In A. Moore, & Drecki (Eds.), Geospatial Visualisation, Lecture Notes in Geoinformation and Cartography. Berlin Heidelberg: Springer-Verlag.

Kisilevich, S., Krstajic, M., Keim, D., Andrienko, N., & Andrienko, G. (2010). Eventbased analysis of people's activities and behavior using Flickr and Panoramio geotagged photo collections. In Information visualisation (IV), 2010 14th International Conference IEEE. pp. 289-296.

Kurashima, T., Iwata, T., Irie, G., & Fujimura, K. (2013). Travel route recommendation using geotagged photos. Knowledge and Information Systems 37(1), pp.37-60.

Lu, X., Wang, C., Yang, J.-M., Pang, Y., y Zhang, L. (2010). Photo2trip: generating travel routes from geo-tagged photos for trip planning. In Proceedings of the international conference on Multimedia. MM '10. ACM, New York, NY, USA, 143-152.

Orsi, F., y Geneletti, D., (2013) Using geotagged photographs and GIS analysis to estimate visitor flows in natural areas. Journal for Nature Conservation 21, pp. 359-368.

Popescu, A., Grefenstette, G. y Moëllic, P.A. (2009) Mining Tourist Information from User-supplied collections, presented at CIKM’09, November 2–6, Hong Kong, China.

Rattenbury T, Good N, Maaman M (2007) Towards automatic extraction of event and place semantics from flickr tags. In: Proceedings of the 30th annual international conference on research and development in information retrieval. Amsterdam, The Netherlands, pp 103–110.

Su, S., Wan, C., Hu, Y., Cai, Z. (2016) Characterizing geographical preferences of international tourists and the local influential factors in China using geo-tagged photos on social media. Applied Geography 73, pp. 26-37.

Sun, Y., & Fan, H. (2014). Event identification from georeferenced images. In Connecting a digital Europe through location and place. Springer International Publishing. pp. 73-88.

Sun, Y., Fan, H., Bakillah, M. y Zipf, A. (2015) Road-based travel recommendation using geo-tagged images. Computers, Environment and Urban Systems 53, pp.110-122.

Straumann, R. K., Çöltekin, A., & Andrienko, G. (2014). Towards (Re)constructing narratives from georeferenced photographs through visual analytics. The Cartographic Journal, 51(2), 152-165.

Tammet, T., Luberg, A., & Järv, P. (2013). Sightsmap: crowd-sourced popularity of the world places. In Information and communication technologies in tourism 2013. Berlin Heidelberg: Springer, pp. 314-325.

van der SPEK, S.. Spatial Metro – Tracking pedestrians in historic city centres. Research in Urbanism Series, [S.l.], v. 1, pp. 77-97, sep. 2008. ISSN 1879-8217. Available at: . Date accessed: 21 feb. 2018. doi: .

Vu, H.Q., Li, G., Law, R. y Ye, B.H. (2015) Exploring the travel behaviours of inbound tourist to Hong Kong using geotagged photos. Tourism Management 46, pp. 222-232.

Yin, Z., Cao, L., Han, J., Luo, J. y Huan, T. (2011) Diversified Trajectory Pattern Ranking in Geo-Tagged Social Media in Proceedings of the 2011 SIAM International Conference on Data Mining: 980 – 991.

Zheng, Y.T., Zha, Z.J., & Chua, T.S. (2012). Mining travel patterns from geotagged photos. ACM Transactions on Intelligent Systems and Technology, 3(3), 56.

Zheng, W., Huang, X., Li, Y. (2017) Understanding the tourist mobility using GPS: where is the next place? Tourism Management 59, pp.267 – 280.

-----------------------

[1]

-----------------------

# fotos

# fotos

Bienes de Interés Cultural

uvw…†‡–—˜¯°²³´ÄðÚĺ¬º¢—¢º—ŠoW@,h |{p5?B*OJQJ\?]?aJmH

phÿsH

/h~q 5?B*H*[pic]OJQJ\?]?aJmH

phÿsH

5h5õh|~È5?B*H*[pic]OJQJ\?]?aJmH

phÿsH

h5õhv?cOJQJaJhû·H*[pic]OJQJaJhû·OJQJaJh |{ph |{pH*[pic]OJQJaJh |{pOJQJaJ+h5õhYJÓ5?;?B*CJOJQJaJphÿ+h5õhÄ(5?;?B*CJOJQ

................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download