Η εργασία επικεντρώνεται στον εντοπισμό και την ανάλυση σημείων ενδιαφέροντος (POIs) μέσω θεματικής και γεωγραφικής επεξεργασίας δεδομένων, με στόχο την κατανόηση των προτιμήσεων και της κινητικότητας των χρηστών. Βασικός άξονας της μελέτης είναι η αξιοποίηση των γεωγραφικών δεδομένων που συλλέγονται αυτόματα ή με τη συγκατάθεση των χρηστών μέσω έξυπνων κινητών τηλεφώνων, δεδομένου ότι αυτά τα δεδομένα αποτελούν πολύτιμη πηγή πληροφοριών για την κατανόηση των προτιμήσεων και της καθημερινής τους δραστηριότητας.

Στην εργασία υιοθετήθηκε μια προσέγγιση που συνδυάζει τεχνικές μηχανικής μάθησης και ανάλυσης δεδομένων, με σκοπό την κατηγοριοποίηση και την ερμηνεία των σημείων ενδιαφέροντος βάσει ιστορικών δεδομένων τοποθεσίας και των μοτίβων επίσκεψης άλλων χρηστών. Αρχικά, πραγματοποιήθηκε ενδελεχής προεπεξεργασία των δεδομένων με έμφαση στην ομαλοποίηση και κατηγοριοποίησή τους ώστε να διασφαλιστεί η ακρίβεια και η αξιοπιστία των εισόδων στο σύστημα.

Για την ανάπτυξη των μοντέλων χρησιμοποιήθηκαν εργαλεία και βιβλιοθήκες μηχανικής μάθησης, όπως οι Scikit-learn, NLTK, Pandas και Folium, οι οποίες επέτρεψαν την εφαρμογή τεχνικών φυσικής γλώσσας, clustering και γεωγραφικής οπτικοποίησης των σημείων ενδιαφέροντος. Επιπλέον, αξιοποιήθηκε η βιβλιοθήκη TensorFlow για την υλοποίηση μεθόδων Βαθιάς Μάθησης (Deep Learning) και νευρωνικών δικτύων, με στόχο την παραγωγή εξατομικευμένων συστάσεων και την ενίσχυση της ακρίβειας των προβλέψεων. Παράλληλα, ενσωματώθηκαν χωρικά και χρονικά χαρακτηριστικά ώστε να ληφθούν υπόψη παράγοντες που επηρεάζουν τις επισκέψεις όπως η τοποθεσία και ο χρόνος.

Η αξιολόγηση των αποτελεσμάτων βασίστηκε στην ποιότητα της ομαδοποίησης και στη θεματική συνοχή των clusters όπως αυτή προκύπτει από τη συχνότητα των tags και την οπτική απεικόνιση στο dendrogram και τον διαδραστικό χάρτη. Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από ανοικτές πηγές, όπως πλατφόρμες που καταγράφουν τα γεωγραφικά ίχνη των χρηστών, γεγονός που εξασφάλισε ένα ευρύ και ποικίλο σύνολο πληροφοριών.

Τα αποτελέσματα της εργασίας καταδεικνύουν ότι η συνδυασμένη χρήση τεχνικών ανάλυσης δεδομένων θεματικής ομαδοποίησης και γεωγραφικής απεικόνισης μπορεί να ενισχύσει την κατανόηση της χωρικής δυναμικής των σημείων ενδιαφέροντος και να υποστηρίξει εφαρμογές όπως ο αστικός σχεδιασμός, η τουριστική αξιολόγηση και η τοπική στρατηγική ανάπτυξης. Η μελέτη αυτή συμβάλλει στην καλύτερη κατανόηση της χωρικής κατανομής της αστικής δραστηριότητας μέσω της αξιοποίησης δεδομένων χρηστών και τεχνικών γεωπληροφορικής (Zheng Y. C., 2014).

The present study focuses on the identification and analysis of Points of Interest (POIs) through thematic and geographic data processing, aiming to understand users' preferences and mobility patterns. A central aspect of the research is the utilization of geographic data that is collected either automatically or with the users’ consent via smart mobile devices, as such data constitutes a valuable source of information for understanding daily habits and location preferences.

A combined approach was adopted, integrating machine learning and data analysis techniques, with the objective of categorizing and interpreting POIs based on historical location data and the visit patterns of other users. Initially, a thorough preprocessing of the dataset was carried out, emphasizing normalization and categorization to ensure the accuracy and reliability of the system’s input.

For the development of the models machine learning tools and libraries such as Scikit-learn, NLTK, Pandas, and Folium were employed enabling the application of natural language processing, clustering and geographical visualization techniques for POIs. Furthermore, the TensorFlow library was utilized to implement Deep Learning methods and neural networks aiming to produce personalized recommendations and enhance prediction accuracy. In addition, spatial and temporal features were incorporated to account for factors influencing visits, such as location and time. The evaluation of results focused on the quality of clustering and the thematic coherence of the clusters as reflected in the frequency of tags and their visual representation in the dendrogram and interactive map.

The data used in this study were derived from open sources such as platforms that track users’ geolocation data ensuring a broad and diverse information set. The findings demonstrate that the combined use of data analysis, thematic clustering, and geographic visualization techniques can enhance the understanding of spatial dynamics of POIs and support applications such as urban planning, tourism evaluation, and local strategic development. This study contributes to a better understanding of the spatial distribution of urban activity through the use of user-generated data and geoinformatics techniques.