CN104807468A - 一种多目的地地图的自动简化及布局优化方法和系统 - Google Patents

Abstract

一种多目的地地图的自动简化及布局优化方法和系统，对于输入的道路网络，预先定义该道路网络中的道路类型包括高速公路、主干道和街道；具体方法包括如下步骤：1)地图数据简化步骤：2)地图布局优化步骤：2.1)地图切割步骤：2.2)地图全局布局优化步骤；2.3)地图局部布局优化步骤；2.4)地图局部微调步骤。使用本发明的方法和系统生成的多目的地地图能够根据用户的定制，从原始的地图数据中抽取出与此用户的出行计划最相关的道路网络，得到一个经过数据简化的稀疏地图，之后，使用本发明的布局优化技术对稀疏地图进行布局优化。布局优化的结果是使得此用户关注的不同层次的细节信息都同时变得清晰可见。

Description

一种多目的地地图的自动简化及布局优化方法和系统

技术领域

本发明涉及地图优化处理领域，特别是一种多目的地地图的自动简化及布局优化方法和系统。

背景技术

多目的地地图作为一种导航地图，能够指引某个区域内的用户到达多个目的地。多目的地地图常见于旅游景区，为游客游览多个景点提供导航。它也常被印刷在商家的宣传材料中，以告知周围的顾客如何快速达到商家的地址。多目的地地图可以为个人的出行提供清晰的导航。例如，当你去一座陌生的城市旅行并打算游历这座城市的多个地点时，一张仅包含和自己的目的地相关信息的多目的地地图将会带来便利。

当前多目的地地图的制作主要由专业的制图人员手工绘制完成。给定一幅原始地图，他们首先依靠自身丰富的制图经验，判断哪些地图信息与当前用户的使用需求最相关，哪些信息是不相关的。之后，制图专家从大量的原始地图数据中抽取出和当前导航任务最相关的线路信息，同时忽略无关的信息，得到一幅稀疏地图。在经过信息抽取并简化后的稀疏地图中，导航信息比原始地图更加清晰和更易于用户的使用。值得注意的是，在有限制的空间内静态地绘制多目的地地图，往往无法同时显示不同层次的重要细节信息。因此，专业的制图专家常常会使用大量的制图设计规则包括变形、简化和抽象等技术来强调这些最重要的信息同时弱化其它信息，这是一个非常费时费工的过程。

随着地图应用需求和制图技术的不断发展，出现了不少在线地图服务，如谷歌地图、Bing地图和国内的百度地图等。但是，使用现有的在线地图服务来自动生成多目的地地图，往往存在许多缺陷。首先，现有的在线地图服务提供 的工具不是为某个用户而设计的，他是面向大众的地图服务。因此，这些在线地图服商不能够根据某个用户的特定导航需求来区分哪些地理信息是必要的，结果造成生成的地图存在大量的冗余信息。其次，现有的在线地图采用等比例尺进行绘制，并不像手工制图专家会根据用户的定制需求，运用变形技术来增强地图的可读性。虽然在线地图服务提供了缩放工具，例如通过放大感兴趣的区域来查看它的细节信息，但是会造成地图整体信息的不完整显示，或是通过缩小操作来查看全局信息，但同时难免丢失地图的细节信息。因此，在给定的小尺寸显示屏幕上，如移动设备显示屏，在线地图服务还无法保证同时显示不同层次的地图信息。

一张合理有效的多目的地地图应该具备以下特点。首先，它能够依据用户的出行规划强调与用户最相关的信息，忽略无关的信息。其次，它能够在规定的显示空间内同时显示不同层次的细节信息。只有具备这两点，多目的地地图才能为用户提供清晰正确的导航。然而，自动化简化和设计布局多目的地地图是一项具有挑战性的工作。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种多目的地地图的自动简化及布局优化方法和系统，能够根据用户的定制，从原始的地图数据中抽取出与此用户的多个目的地相关的道路网络，得到一个经过数据简化的稀疏地图，之后对稀疏地图进行布局优化，使得此用户关注的不同层次的细节信息都同时变得清晰可见。

本发明采用如下技术方案：

一种多目的地地图的自动简化及布局优化方法，其特征在于：对于输入的道路网络，预先定义该道路网络中的道路类型包括高速公路、主干道和街道； 具体方法包括如下步骤：

1)地图数据简化步骤

对于指定的每个目的地，依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，并将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络；

2)地图布局优化步骤

2.1)地图切割步骤：采用最小割算法将简化后的道路网络切割为多个与目的地对应的关注区域，每个关注区域都需要确保包含完整的可达相应目的地的道路网络，并保留连接于不同关注区域之间的连接边；

2.2)地图全局布局优化步骤：通过约束该关注区域的大小和位置，及控制连接边的位置和角度来优化该简化的道路网络的布局；

2.3)地图局部布局优化步骤：对每个关注区域寻找其最佳布局并确保关注区域内的道路网络清晰可见；

2.4)地图局部微调步骤。

优选的，预先定义输入的道路网络为图G＝(V,E)，V＝{v₁,v₂,...,v_N}表示图中的所有顶点的集合，E为图中所有连接边的集合，N为所有顶点个数；图G上的每个点(u,v)∈E是平面上的二维向量，拥有两个坐标X_u和Y_u，边(u,v)∈E对应于道路网络中连接点u和点v的路段；指定的多个目的地用集合D＝{v₁,v₂...v_n}来表示，n为目的地数量；路R＝{v_s,v_k...v_e}被定义为一组点的有序序列，它起始于点v_s，经过点v_k终止于点v_e，s,k,e∈[1,N]；.

在步骤1)中，所述的依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，具体是指:

在图G＝(V,E)中，点v_i∈E对目的地点v_j是可见的当且仅当i∈ [1,N],j∈[1,n]，i≠j；(v_i,v_j)所在的直线段不与图中任意一个边(u,v)∈E相交；边(u,v)∈E对目的地点v_j是可见的当且仅当u和v对v_j都是可见的；将当前路径类型的边中，所有相对目的地点v_j是可见的边构成当前路径类型的包围目的地点的可见环。

优选的，将每个点的度数定义为与该点相连接的边的数目，在步骤1)中所述的将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络，具体是指：将构成街道可见环上的所有点均与目的地连接；将构成主干道可见环上的所有点中，度数大小排在前70％的点与目的地连接；将构成高速公路可见环上的度数大小排在前50％的点与目的地连接；而后，还包括采用道格拉斯-普克算法来压缩路径中点的个数，定义带有n个目的地D＝{v₁,v₂...v_n}的地图G＝(V,E)，点v_i∈E为不可压缩点当且仅当v_i∈{v_s,v_e}或v_i∈D。

优选的，在步骤2)中，所述的2.1)地图切割步骤具体是指：

给定一个带有n个目的地D＝{v₁,...v_k,...v_n}的稀疏地图G＇＝(V＇,E＇)，寻找(G＇，D)的一种切割Γ，定义切割Γ为一个包括三项加权和的能量方程：

Γ(G′，D)＝αf_des(G′，D)+βf_edge(G′，D)+γf_ovl(G′,D)；

其中：f_des(G＇,D)是限定每个目的地仅存在于唯一与之对应的关注区域内；f_edge(G＇,D)是衡量被切割的边的数目以及保证完整的可达路径；f_ovl(G＇,D)是衡量关注区域之间的重叠面积；其中α,β和γ分别代表f_des(G＇,D)、f_edge(G＇,D)和f_ovl(G＇,D)在能量方程中所占的比重。

优选的，在步骤2)中，所述的2.2)地图全局布局优化步骤具体是指：

给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，G_i表示对应于第i个目的地的关注区域，全局布局优化是寻找一个布局GL＝{G₁,...G_n}，其包括四个评价函数的加权和：

F(GL)＝ω_lengthf_length+ω_anglef_{angle_adj}+ω_areaf_area+ω_topof_topo；

其中：评价函数f_length是衡量每个关注区域中道路网络的清晰度；评价函数f_angle-adj评价连接边的角度的保持程度，连接边的角度偏离越小，该评价函数的值越小；f_area评价关注区域是否重复利用显示空间以及关注区域之间的重叠情况；f_topo是衡量某个布局GL是否维持原有的拓扑结构，ω_length、ω_angle、ω_area和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

优选的，在步骤2)中，所述的2.2)地图全局布局优化步骤还包括：给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，G_i表示对应于第i个目的地的关注区域，定义扰动函数PerturbLayout(GL)，其扰动操作包括以下步骤：

S1在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_i；

S2生成一个随机的，范围在[0.8,1.2]之间的缩放因子scale；

S3对选出的关注区域G_i应用缩放，即G_i＝G_i*scale；

S4再一次在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_i；

S5生成两个随机的，范围在[-3,+3]之间的平移因子move_x和move_y；

S6对G_i应用移动操作，即G_j＝G_j+move_x+move_y。

优选的，在所述步骤2.3)地图局部布局优化步骤具体是指：

给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，局部布局优化是寻找关注区域G_i的最佳布局LL_i＝{V_i,E_i}，其包括四个评价函数加权和：

F(LL_i)＝ω_lengthf_length+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo；

其中：评价函数f_length衡量关注区域G_i中道路网络的清晰度；评价函数f_angle评价关注区域中路段的角度的保持程度，路段的角度偏离越小，评价函数的值越小；f_{r_angle}评价关注区域中不同路段之间的相对角度的保持程度；f_topo衡量某个局部布局LL_i是否维持原有的拓扑结构，ω_length、ω_angle、ω_{r_angle}和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

优选的，在所述步骤2.3)中，还包括：给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，定义扰动函数PerturbLayout'(LL_i)，其扰动操作包括以下步骤：

T1在关注区域G_i＝(V_i,E_i)中随机选择一个点v；

T2随机生成一条穿过点v的直线l，该直线把G_i分为2个部分，part1和part2；

T3随机生成两个范围在[0.8,1.2]之间的缩放因子scale1和scale2；

T4分别将2个缩放因子应用于对应的两个部分；

T5均匀调整G_i的道路网络，保持道路网络始终在矩形关注区域的内部。

优选的，所述的2.4)地图局部微调步骤具体是指：给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，采用F(G＇)来评价多目的地地图的布局质量，其包括五个评价函数的加权和：

F(G')＝ω_lengthf_length+ω_{r_length}f_{r_length}+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo；

其中：评价函数f_length衡量关注区域G_i中道路网络的清晰度；评价函数f_{r_length}衡量关注区域中路段的相对长度的保持程度；评价函数评价函数f_angle评价关注区域中路段的角度的保持程度，路段的角度偏离越小，评价函数的值越小；f_{r_angle}评价关注区域中不同路段之间的相对角度的保持程度；f_topo衡量某个局部布局G＇ 是否维持原有的拓扑结构；ω_length、ω_{r_length}、ω_angle、ω_{r_angle}和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

一种多目的地地图的自动简化及布局优化系统，其特征在于：包括

地图数据简化装置，用于对于指定的每个目的地，依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，并将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络；

地图布局优化装置，包括地图切割装置，采用最小割算法将简化后的道路网络切割为多个与目的地对应的关注区域，每个关注区域都需要确保包含完整的可达相应目的地的道路网络，并保留连接于不同关注区域之间的连接边；地图全局布局优化装置，通过约束该关注区域的大小和位置，及控制连接边的位置和角度来优化该简化的道路网络的布局；地图局部布局优化装置，对每个关注区域寻找其最佳布局并确保关注区域内的道路网络清晰可见；

及地图局部微调装置，用于调整路段之间的相对角度和相对长度的关系，使道路网络更接近原始布局中的相对角度和相对长度关系。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

使用本发明的方法和系统生成的多目的地地图能够根据用户的定制，从原始的地图数据中抽取出与此用户的出行计划最相关的道路网络，得到一个经过数据简化的稀疏地图，之后，使用本发明的布局优化技术对稀疏地图进行布局优化。布局优化的结果是使得此用户关注的不同层次的细节信息都同时变得清晰可见。

附图说明

图1为本发明系统的组成图。

图2为本发明地图数据简化装置的组成示意图。

图3为本发明地图布局优化装置的组成示意图。

图4为本发明地图数据简化的过程示意图。

图5为本发明的布局优化模型示意图。

图6为本发明全局布局优化的操作示意图。

图7为本发明局部布局优化的操作方式示意图。

图8本发明方法和系统产生的结果图。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

通过分析认知心理学家的有关研究成果和手绘制图专家的设计经验，我们从中归纳总结出简化和设计多目的地地图的规则，规则包括：

a1.分层次地导航。人们感知和记忆空间关系是分层次的。人们在被导航的过程中，对大型且快速的高速公路的偏好比主干道更加显著。类似的，对主干道的偏好会比狭窄的街道更加显著。

a2.驾车者在规划出行路线时往往优先选择高速公路，然后是主干道，最后选择街道。用户所需的细节信息随着与目的地之间的距离的减小而变得越来越丰富。

a3.当驾车者从一个自己熟悉的区域驾驶到一个陌生的目的地时，他们往往知道如何从起点驾驶到附近的高速公路，因此在熟悉的起点区主干道和街道对于这样的驾车者是不必要的。相反，在陌生的目的地区，用户要求更多的细节信息，因此在目的地区主干道和街道将会是必要的信息。

a4.经过简化的地图数据需要包含能到目的地的完整可达的线路。线路应选择能最快到达目的地的线路以减少旅行时间，选择转弯最少的线路以减少路线的复杂性。

a5.地图路网的拓扑结构被认为是最重要的信息。相比之下，道路的精确几何形状就显得不那么重要。

本发明如指导系统根据用户的个性化需求，从大量的原始地图数据中抽取与当前用户最相关的信息，忽略无关信息。然后，本发明结合设计规则构建出分层次的地图数据简化算法，依次识别路网中类型为高速公路、主干道和街道的“可见环”，环上的关键点与目的地之间使用A*算法寻找最佳线路进行连接，构建简化的稀疏地图网络。其中，最佳线路被定义为距离最短、转弯最少和冗余最少的线路。最后，在维持路网正确拓扑结构的前提下，使用道格拉斯-普克算法(Douglas-Peucker算法)去除道路上冗余的数据点。

为了确保在规定的显示空间内，与用户最相关的道路信息都能清晰可见，我们需要对多目的地地图的布局做出优化调整。本发明中，我们首先提出了一种多目的地布局优化模型，然后将布局优化问题的设计规则形式化为一个约束系统，最后使用基于扰动的模拟退火算法从复杂的布局空间中求解出满足该约束系统的地图布局。本发明的布局优化方法分别从全局和局部两个层次来考虑多目的地地图的布局优化，保证在规定的显示空间内，与用户最相关的道路信息都能清晰可见。在布局优化部分，本发明的主要技术包括以下5个部分：

1.多目的地地图布局优化模型。在多目的地地图中，存在多个目的地。每个目的地都有一个与之对应的目的地区域，我们将仅包含此目的地的区域视为一个关注区域(ROI)。在本发明提出的多目的地地图布局优化模型中，我们用多个矩形关注区域(ROI)的空间位置关系以及它们的连接边来表示多目的地地图的布局。使用多个矩形和连接矩形的线段来表示地图布局，这样不仅可以忽略区域内部的细节，在控制路径的相关关系上也较为简单。通过约束矩形的大小及位置，控制连接边的位置和角度等属性就能够控制整个多目的地地图的布 局。

2.地图切割。要得到多目的地地图的矩形关注区域，我们提出了一种新的基于图的最小割(Min-Cut)的地图切割算法，它可以将输入的稀疏地图切割为多个矩形关注区域，使得每个矩形关注区域有且仅包含一个目的地，关注区域之间以切割最少代价的连接边进行分离，确保每个区域拥有完整的可达线路的同时，最小化矩形关注区域之间的重叠面积。

3.地图全局优化。在本发明的布局优化算法中，我们分别从全局和局部两个层次来讨论多目的地地图的布局优化问题。在全局布局中，我们把包含目的地的关注区域作为优化的基本单元。通过改变这些矩形区域的大小、位置以及连接边的几何关系来重新布局多目的地地图。优化的目标是：(a)平衡关注区域之间的缩放尺度，确保每个关注区域中道路都能清晰可见。(b)确保连接关注区域的边维持它们原有的角度。(c)充分利用显示空间，但关注区域之间的重叠面积尽可能小。(d)确保始终维持路网的拓扑结构。关于布局质量好坏的评价，本发明设计了能衡量地图布局质量的评价函数，分别对应于每个优化目标。最后，我们使用基于扰动的搜索算法，在复杂的求解空间中搜索能量方程的最小值，以此获得最佳的全局布局。

4.地图局部优化。在局部布局优化步骤中，我们希望达到以下优化目标：(a)确保关注区域内部的路段都能够清晰可见。(b)尽量使关注区域内部的路段维持原有的角度。(c)尽量维持路段之间原有的相对角度关系。(d)始终维持路网的正确拓扑结构。我们把局部优化的每个目标形式化成评价函数，通过加权这些评价函数得到描述局部地图布局质量的能量方程。我们使用基于扰动的模拟退火算法求解能量方程的最小值，即获得地图的最佳局部布局。

5.布局的微调。经过全局与局部地图布局优化后，输入的多目的地地图已 经能够显示不同层次的细节信息了。但是，由于角度与相对角度的保持规则的权值被设置得比确保道路清晰可见的规则的权重小，这样有利于优化长度较短的街道，而不必过多限制于角度与相对角度的约束。因此，得到的优化结果可能会存在过多的角度偏离。其次，为了确保全局布局优化和局部布局优化的过程中能够充分利用显示空间，保证所有道路的清晰可见，我们没有考虑路段之间的相对长度关系。所以，在局部微调的步骤中，我们把多目的地地图视为一个整体，在确保道路清晰可见的前提下，调整路段之间的相对角度和相对长度的关系，使道路网络更接近原始布局中的相对角度和相对长度关系。布局微调目标有：(a)确保所有路段维持原有的角度。(b)确保所有路段之间维持原有的相对角度关系。(c)确保所有路段之间维持原有的相对长度关系。(d)始终维持路网的正确拓扑结构。我们使用一个加权的能量函数来评价微调后的布局质量，通过求解能量方程的最小值来获得多目的地地图的最佳布局。图8示出了使用本发明的方法和系统生成的多目的地地图的中间结果图32。其中，用户在原始地图32A上指定多个目的地17，经过数据简化后得到简化的道路网络32B，最后经过布局优化后得到最终的多目的地地图32C。本发明方法具体实现方式如下：

1)地图数据简化步骤

通常来说，在线地图为所有用户提供相同的和完整的地图数据。然而，不同用户在使用地图时关注的信息是不同的，因此当前的在线地图服务提供的信息对用户来说存在大量的冗余。因此，本发明试图从完整的地图数据集合中选出与用户最相关数据的子集，然后强调这些与用户最相关的信息同时忽略无关信息，从而增强地图的可读性。地图数据的简化的核心内容就是如何区分哪些信息是与用户相关的，哪些是不相关的。该步骤依据这五条设计规则(a1-a5)， 提出了一个分层次的选路算法，从完整的地图数据集合中选出与用户最相关的数据子集，

输入本系统的道路网络使用图G＝(V,E)来表示，V＝{v₁,v₂,...,v_N}表示图中的所有顶点的集合，E为图中所有连接边的集合，N为所有顶点的个数。其中图G上的每个点u∈V是平面R上的二维向量，拥有两个坐标Xu和Yu。边(u,v)∈E对应于道路网络中连接点u和点v的路段。给定一个道路网络G，用户指定的多个目的地用集合D＝{v₁,v₂...v_n}来表示。路R＝{v_s,v_k...v_e}被定义为一组点的有序序列，它起始于点v_s，经过点v_k终止于点v_e，R为任意一条路径，可以包含目的地点也可以不包含，s,k,e∈[1,N]。其中，对于所有的点v_i∈R，它的度数degree(v_i)定义为与该点相连接的边的数目，它的度数degree(v_i)＝2当且仅当(v_i，v_i+1)∈E。这意味着一条路R不能穿过交叉路口，只能起始或终止于度数大于2或度数为1的点，例如交叉路口或是死胡同。本发明中，路R被定义为三种道路类型type＝{highway,major,street}之一。道路类型包括高速公路(highway)，主干道(major)和街道(street)。

首先，依据分层次的选路原则，本算法依次识别高速公路、主干道和街道中的“可见环”(如图4所示)，这些“可见环”能够为用户到达相应的目的地提供导航。类似于图论中的可见图，我们定义在图G＝(V,E)中，点v_i∈V对目的地点v_j是可见的当且仅当(v_i,v_j)所在的直线段不与图中任意一个边(u,v)∈E相交。边(u,v)∈E对目的地点v_j是可见的当且仅当u和v对v_j都是可见的。为识别地图中的可见环，我们假设每个目的地v_j都有一个点光源，它可以向四周发射光线。地图中的每条边都是光线的屏障，阻止光线的穿过。被v_j照亮的边(u,v)∈E即是对v_j可见的，所有可见的边组成可见环(也可能不存在环)。为达到分层次的目的，我们定义选路的优先级由高至地依次为高速公路、主干道和 街道。从选择高速公路开始，目的地点v_j发射的光线可以穿过比当前路径类型优先级低的边，即光线能够穿过主干道和街道但无法穿过高速公路。所有的高速公路形成一个屏障，阻止光线穿过。因此，我们选择所有被照亮的高速公路，作为当前目的地的路径类型为高速公路的可见环。相似地，在识别路径类型为主干道的可见环时，光线无法穿过高速公路和主干道。在识别路径类型为街道的可见环时，光线无法穿过图中的任何边。算法依次识别高速公路、主干道和街道的可见环，构成了包围目的地v_j的环。

其次，规则a4指出路网需要包含能到目的地的完整可达的线路。为了形成可到达目的地路网，我们将环上的点和目的地用最佳线路进行连接。最佳线路被定义为距离最短、转弯最少、复杂度最小。本发明使用A*最短路径算法来连接可见环，并且将最佳线路的定义形式化为加权的启发函数，作为“最短路径”的估计值。为了遵循规则a2和规则a3，我们按如下规则选择环中与目的地连接的点。在由街道构成的环中，街道的所有点都与目的地连接。为了避免路网过于复杂，在由主干道构成的环中，我们仅将度数的大小排在前70％的点与目的地进行连接。类似的，在由主高速公路构成的环中，我们仅将度数的大小排在前50％的点与目的地进行连接。我们计算所有目的地对应的可见环的并集以去除相同的道路。

最后，由于本发明旨在固定大小的显示空间上显示静态地图，因此路径R中所包含的点并不都是必要的，存在冗余。同时，规则a5指出地图路网的拓扑结构被认为是最重要的信息。相比之下，道路的精确几何形状就显得不那么重要。因此本发明使用道格拉斯-普克算法(Douglas-Peucker算法)来压缩线路R中点的个数。为确保路网的正确拓扑结构，我们定义带有n个目的地D＝{v₁,v₂...v_n}的地图G＝(V,E)，点v_i∈V为不可压缩点当且仅当v_i∈{v_s,v_e}或v_i∈D。 压缩后的数据保留了路径中关键的节点，能够保持路径的大致形状。

参照图4，示意性示出了地图数据简化的过程(16)。在原始地图16A中，用户指定多个目的地17。之后，本发明方法依照地图简化设计规则分层次地选出由高速公路组成的可见环(20)、由主干道组成的可见环(18)和由街道组成的可见环(19)。最后，系统使用最佳线路连接可见环与目的地，得到经过简化的道路网络16C。

2)地图布局优化步骤

在经过数据简化后的稀疏地图网络中，往往存在不同层次的细节信息。通常情况下，在线地图服务为了保证能在在一张A4纸大小的空间内同时显示多个目的地区域，会把地图等比例缩放到一个合适的尺寸然后进行绘制，这样就造成某些目的地区域的细节的丢失，或是变得不能清晰可见。为了能够同时显示不同层次的细节信息，通常大多数研究者使用点作为道路网络优化的基本单元。在搜索最佳布局的过程中，它们使用的扰动方式是随机的选择一条路，然后随机地改变这条路的长度或是方向，以此来产生后继布局。不同于前人的工作，本发明提出全新的多目的地布局模型(如图5所示)来优化多目的地地图的布局，即使用多个矩形关注区域的空间位置关系以及连接它们的连接边来表示多目的地地图的布局。使用此模型来表示多目的地地图的布局，不仅可以忽略关注区域内部的细节，在控制路径之间的关系上也较为简单。我们通过约束矩形关注区域的大小及位置，控制连接边的位置和角度等属性就能够控制整个多目的地地图的布局。

2.1)地图切割步骤 

为了得到包含目的地的矩形区域，我们提出一种新的基于图的最小割的切割算法，将输入的稀疏地图切割为多个矩形的关注区域，得到一个表示此多目的地地图布局问题的模型。我们提出一组切割规则，以保证得到好的结果：

b1每个目的地仅存在于唯一与之对应的关注区域内。

b2以切割最少的连接边来分离不同的关注区域。

b3每个矩形关注区域尽量保证包含完整的可到达对应目的地的线路。

b4矩形关注区域之间的重叠面积尽可能小。

我们将这四条规则分为两类，一类是强约束规则(规则b1)，一类是软约束规则(规则b2,b3,b4)。强约束规则是在任何情况下必须保证满足的规则；软约束规则可以在满足强约束规则的前提下尽量使其满足，我们把地图切割问题形式化描述为：给定一个带有n个目的地D＝{v₁，...v_k，...，v_n}的稀疏地图G＇＝(V＇,E＇)，寻找(G＇,D)的一种切割Γ，它满足强约束规则b1并且优化满足软约束规则b2、b3和b4。我们定义切割Γ为一个由三项加权和组成的能量方程：

Γ(G′，D)＝αf_des(G′，D)+βf_edge(G′，D)+γf_ovl(G′，D)  (1)

能量方程Γ(G′，D)的值越小代表越满足已定义的四条约束规则，也就意味着得到越好的地图切割结果。能量方程1中的f_des(G＇,D)描述了强约束规则b1的关键内容。综合软约束规则b2和b3，我们使用f_edge(G＇,D)来衡量被切割的边的数目以及保证完整的可达路径。f_ovl(G＇,D)衡量了矩形关注区域之间的重叠面积。其中α，β和γ代表不同规则在能量方程中所占的比重。下面将详细介绍能量方程中每一项的内容。

使用传统的最小割(min-cut)算法我们可以将稀疏地图G＇＝(V＇,E＇)切割为两个子图G₁＝(V₁，E₁)和G₂＝(V₂，E₂)，使得集合(V₁×V₂)∩E′的元素个数最少。在本发明的方法中，假设有n(n≥2)个目的地，我们需要将地图切割为n个子 图G＇＝G₁∪…∪G_n，使得集合(V1×V2×···×V_n)∩E′的元素个数最少，也就是为分离这n个子图所切割的边的数目最少。为了确保每个目的地仅存在于唯一与之对应的关注区域内，我们这样定义一个子图G_i：G_i被称为“可再分”的图当且仅当G_i包含n≥2个目的地；G_i被称为“不可再分”的图当且仅当G_i包含n＝1个目的地；G_i被称为“奇异图”当且仅当G_i包含n＝0个目的地。我们递归地调用最小割算法直到所有子图都是“不可再分”的子图。如果出现“奇异子图”，衡量规则a的评价函数将会得到无限大的惩罚。我们设置公式1中的α＝∞。当出现“奇异子图”时f_des(G＇,D)＝1，并终止递归算法，否则f_des(G＇,D)＝0。f_des(G＇,D)的定义如公式2所示:

每个关注区域都需要确保包含完整的可达相应目的地的道路网络。我们需要避免这样的情况，即某个关注区域G_i＝(V_i，E_i)仅包含一点(该点为目的地点),值得关注的是这种情况时常发生。为了避免这种情况，我们根据不同的路线类型设置不同的切割权值γ_type。不失一般性，我们假设用户指定的目的地位于街道，因此我们设置切割街道的权值γ_street＞γ_major＞γ_highway最大。切割权值的大小由街道、主干道到高速公路依次递减，即γ_street＞γ_major＞γ_highway。所以，算法会优先选择切割高速公路，而不破坏街道的完整性，以确保每个关注区域都包含完整的可达相应目的地的道路网络。规则b2和b3被形式化为公式3：

$f_{\mathrm{edge}}(G^{\′},D)={\mathrm{\Σ}}_{e_i\∈\mathrm{street}}{\mathrm{\γ}}_{\mathrm{street}}+{\mathrm{\Σ}}_{e_i\∈\mathrm{major}}{\mathrm{\γ}}_{\mathrm{major}}+{\mathrm{\Σ}}_{e_i\∈\mathrm{highway}}{\mathrm{\γ}}_{\mathrm{highway}}---\left(3\right)$

其中e_i表示被切割的边。通过判断被切割的边的路径类型，并以γ_type为代价累加被切割的边的数目，就能保证切割的边的数目尽量少，同时有能保证优先切割高速公路以确保完整的可达线路网络。

关注区域之间的重叠面积越小，不同的关注区域之间相对越独立，这样有利于后续的布局优化。假设输入的稀疏地图G＇＝(V＇,E＇)带有n个目的地，那么n个矩形关注区域的重叠面积即为它们各自的面积之和与它们之间的面积的并集之差。规则b4形式化为公式4：

$f_{\mathrm{ovl}}(G^{\′},D)={\mathrm{\Σ}}_{i=1}^n{s}_i-(s_1\∪s_2\∪\·\·\·\∪s_n)---\left(4\right)$

寻找最佳的地图切割，即求解公式1中Γ(G′，D)的最小值。通过递归调用最小割算法，以Γ(G′，D)作为某次切割的切割值，我们能够以大于等于2log2/logn的概率求解出最佳的地图切割。

2.2)地图全局布局优化步骤

在全局布局优化的步骤中，我们使用如图5所示的布局模型来优化多目的地地图的布局。图5中使用多个矩形关注区域(21A、21B和21C)的空间位置关系以及连接它们的连接边(22)来表示多目的地地图的布局。其中，用户指定的多个目的地(23)表示为集合D＝{v₁,...v_k,...v_n}。矩形关注区域之间的重叠面积(24)用s_i表示。使用此模型来表示多目的地地图的布局，不仅可以忽略关注区域内部的细节，在控制路径之间的关系上也较为简单。我们通过约束矩形关注区域的大小及位置，控制连接边的位置和角度等属性就能够控制整个多目的地地图的布局。

我们提出一种基于约束的优化算法来布局多个关注区域之间的空间位置关系、缩放尺度的关系。优化的目标是充分利用可显示的空间，平衡关注区域之间的缩放尺度，保证并平衡每个关注区域内道路的清晰度。通常，拥有丰富经验的手绘地图设计师认为，一副好的手绘地图应该充分利用显示空间以保证道路的清晰显示，同时维持路网的拓扑结构，尽量保持路段之间的相对角度等。基于上述的讨论，我们提出以下四条优化规则：

c1平衡关注区域之间的缩放尺度，确保每个关注区域中道路都能清晰可见。

c2确保连接关注区域的边维持它们原有的角度。

c3充分利用显示空间，但关注区域之间的重叠面积尽可能小。

c4确保始终维持路网的拓扑结构。

其中，规则c1、c2和c3为软约束规则，规则c4为强约束规则。给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，G_i表示对应于第i个目的地的矩形关注区域。全局布局优化是寻找这样的一个布局GL＝{G₁，...，G_n}，它尽量满足规则c1、c2和c3,同时满足规则c4。

为了得到符合上述规则的全局布局，我们定义了一组评价函数来衡量布局的质量，通过比较函数评价值的大小就能够区分布局质量的好与坏。如公式5所示，F(GL)由四个评价函数的加权和所组成：

F(GL)＝ω_lengthf_length+ω_anglef_{angle_adj}+ω_areaf_area+ω_topof_topo  (5) 

其中，评价函数f_length形式化了规则c1，它衡量了每个关注区域中路网的清晰度。评价函数f_angle-adj描述了规则c2，它评价多目的地地图布局模型中，连接边的角度的保持程度。连接边的角度偏离越小，评价函数的值越小。f_area反应了规则c3的要求，它评价关注区域是否重复利用显示空间以及关注区域之间的重叠情况。f_topo对规则c4进行了形式化，它衡量某个布局GL是否维持原有的拓扑结构。ω表示每一个评价函数在整个评价式子中所占的比重。F(GL)的值越小代表一个更好的全局布局。因此，使用优化的方法求得F(GL)的较小值就能得到一个好的全局布局。下面将详细介绍能量方程中每一项的内容。

为了衡量道路的清晰度，我们需要规定一个路段的长度下限l_min，如果某条路段的长度小于l_min，它被认为是不能清晰可见的。例如，如果某个布局存在路段e_i且它的长度i_i＝len(e_i)小于l_min，此路段将获得惩罚，即获得一个较大评价值。 惩罚的力度随l_min与l_i的差的增而增大。如果路段e_j的长度l_j＞l_min，e_j将不受惩罚。通过累加所有路段的惩罚值得到一个布局的评价值。通常情况下，街道的长度要比主干道和高速公路短得多。在一幅地图中，无法清晰可见的往往是街道。因此，我们根据路段类型的不同设置不同的惩罚力度。在公式6中，我们使

用λ来设置惩罚的权值。其中，街道的惩罚权值γ_street设置为最大，其次分别是γ_major和γ_highway。

假设关注区域G_i＝（Ｖ_i，E_i)包含n=|E_i|条边，即n个路段。边e_i的长度用l_i表示。因此，关注区域G_i的道路清晰度评价f(G_i)表示为公式6：

$f\left(G_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{(l_{\min }-\min (l_{\min },l_i))}^2---\left(6\right)$

其中：γ_street＞γ_major＞γ_highway；

值得注意的是，本发明提出的多目的地布局模型中，还存在连接边e_{adj_i}。

因此我们仍需要评价这些连接边的长度。假设连接边的集合为E_adj，使用公式6得到它们的评价值为f(E_adj)。再者，输入的稀疏地图G＇＝(V＇,E＇)含有n个关注区域。规则c1指出，一个好的地图布局需要平衡每个关注区域内部道路网络的清晰度。不能使其中某些区域过大或是过小。因此本发明提出平衡因子δ来权衡不同关注区域之间的道路清晰度。假设矩形关注区域G_i=(V_i，E_i)所占的面积为s_i，关注区域包含的路段的数目为|E_i|，其中路段长度小于l_min的数目记为num_i。我们定义δ_i与关注区域的面积s_i成反比，与长度小于l_min的路段所占比例p_i=num_i/|E_i|成正比。即在多个关注区域面积s_i相同时，p_i越大的区域所占的比重越大；在多个关注区域的p_i相同时，s_i越小的关注区域所占的比重越大。因此， 我们使用公式7来衡量一个稀疏地图G＇＝(V＇,E＇)中，所有n个关注区域中道路的清晰度。

$f_{\mathrm{length}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\δ}}_{i}f\left(G_i\right)+f\left(E_{\mathrm{adj}}\right),{\mathrm{\δ}}_i=\frac{p_i}{s_i},p_i=\frac{{\mathrm{num}}_i}{\left|E_i\right|}---\left(7\right)$

规则c2指出，一个好的地图布局应该始终保持路径原有的角度。假设原始布局G＇＝(V＇,E＇)中路段e_i∈E与水平线的夹角为θ_oi，在后继布局中路段e_i与水平线的夹角表示为θ_i。我们使用角度差的平方和(θ_oi-θ_i)²来衡量角度的偏离程度。角度改变越大获得的评价值也越大。为了维持路段原有的角度，需要有较低的评价值。因此，规则c2形式化为公式8

$f_{\mathrm{angle}}=\underset{i=1}{\overset{\left|E\right|}{\mathrm{\Σ}}}{({\mathrm{\θ}}_{\mathrm{oi}}-{\mathrm{\θ}}_i)}^2---\left(8\right)$

需要关注的是，在全局布局优化步骤中，我们仅衡量布局模型中连接边E_adj的角度维持。

为了能在固定显示大小的空间内同时显示不同层次的细节信息，我们应该充分利用布局空间。但是，为了保持每个关注区域的独立性，需要避免过多的面积重叠。因此，我们这样设计评价函数：关注区域之间的重叠面积越大将受到越大的惩罚，关注区域的面积总和越大将受到越小的惩罚。假设输入的稀疏地图G＇＝(V＇,E＇)包含n个关注区域，第i个关注区域所占的面积为s_i，n个关注区域的重叠面积由它们的面积的交集表示。那么规则c3可以形式化为公式9

$f_{\mathrm{area}}=(s_1\∩s_2\∩...\∩s_n)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_i---\left(9\right)$

认知心理学家和制图专家指出，用户在使用地图时并不在意道路的精确几何形状，然而道路网络的拓扑结构被认为是最重要的信息。因此，在优化调整 多目的地地图的布局时，应始终维持正确的拓扑结构。当拓扑结构发生改变时，评价函数将给出无限大的惩罚，以阻止接受这种情况。我们使用公式10来描述强约束规则c4。

为了获得最佳的全局布局，我们需要求解公式5中F(GL)的最小值。公式的变量为图G＇＝(V＇,E＇)中|V＇|个点的坐标变量，其中|V＇|往往很大。这些变量点的自由度为显示平面上的任何一个位置，解空间将趋于无限多。我们无法通过穷举所有布局的方式来求解，因此，本发明中我们把多目的地地图的全局布局问题构造成一个搜索问题，在可能的搜索空间中找一个最佳布局。为了使布局问题满足搜索的条件，我们需要定义两种函数，即评价函数F(GL)和扰动函数PerturbLayout(GL)。评价函数用于评估某个布局的质量。扰动函数作用于一个给定的布局，然后产生一个解空间中的新布局。值得注意的是，扰动函数需要被设计成离散的、随机的，这样才能引导多目的地地图的布局朝着评价值低的布局的方向运动。为了保证扰动函数的离散性和随机性，我们通过扰动多目的地布局模型中的矩形关注区域的缩放尺度和空间位置来产生后继布局。扰动的操作单元是一个关注区域，它可以被随机的放大或缩小，随机地改变位置，如图6所示，地图21上的每个关注区域(21A、21B和21C)可能被随机地进行放大操作25、缩小操作26或是水平平移27和垂直平移操作28。具体地，扰动操作由以下七个步骤组成：

S1在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_i。

S2生成一个随机的，范围在[0.8,1.2]之间的缩放因子scale。

S3对选出的关注区域G_i应用缩放，即G_i=G_i·scale。

S4再一次在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_j。

S5生成两个随机的，范围在[-3,+3]之间的平移因子move_x和move_y。

S6对G_j应用移动操作，即G_j＝G_j+move_x+move_y。

S7均匀调整地图G，保持道路网络始终在显示区域内部。

本发明使用模拟退火算法从解空间中搜索出最佳布局。模拟退火算法是最常用的随机搜索算法，它能高效地覆盖搜索空间，同时可以避免公式5陷入局部最小，从而找到F(GL)的全局最小值。

2.2)地图局部布局优化步骤

在局部布局优化步骤中，我们开始关注多目的地地图布局模型中，矩形关注区域内部网络的清晰显示。我们定义局部布局优化过程应遵循的规则为：

d1.确保关注区域内部的路段都能够清晰可见。

d2.尽量使关注区域内部的路段维持原有的角度。

d3.尽量使关注区域内部的路段之间维持原有的相对角度关系。

d4.始终维持路网的正确拓扑结构。

给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的矩形关注区域。局部布局优化是寻找关注区域G_i的最佳布局LL_i＝{V_i,E_i}，它尽量满足规则d1、d2和d3，同时必须满足规则d4。

为了得到符合上述规则的局部布局，我们定于了一组评价函数来衡量局部布局的质量，通过比较函数评价值的大小就能够区分布局质量的好与坏。如公 式11所示，我们使用F(LL_i)来评价关注区域G_i的布局质量，她由四个评价函数的加权和所组成。

F(LL_i)＝ω_lengthf_length+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo  (11) 

其中，评价函数f_length形式化了规则d1，它衡量了关注区域G_i中路网的清晰度。评价函数f_angle描述了规则d2，它评价关注区域中路段的角度的保持程度。路段的角度偏离越小，评价函数的值越小。f_{r_angle}反应了规则d3的要求，它评价关注区域中不同路段之间的相对角度的保持程度。f_topo对规则d4进行了形式化，它衡量某个局部布局LL_i是否维持原有的拓扑结构。ω表示每一个评价函数在整个评价式子中所占的比重。F(LL_i)的值越小代表一个更好的局部布局。上文，我们已经讨论了f_length、f_angle和f_topo。下面主要介绍公式中的f_{r_angle}。

相对角度描述了一对路段所形成的夹角。相对角度的维持能够确保地图提供正确的方位信息。假设关注区域G_i＝(V_i,E_i)中的任意一对边e_i和e_j在初始布局中的夹角为θ_{o_ij}，在后继布局中它们的夹角为θ_ij。我们使用相对角度差的平方和(θ_{o_ij}-θ_ij)²来衡量相对角度的偏离程度。相对角度改变越大获得的评价值也越大。因此，规则d3形式化为公式12：

$f_{r\_\mathrm{angle}}=\underset{i=1}{\overset{|E_i-1|}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{\left|E_i\right|}{\mathrm{\Σ}}}{({\mathrm{\θ}}_{\mathrm{ij}}-{\mathrm{\θ}}_{o\_\mathrm{ij}})}^2---\left(12\right)$

公式11定义了地图G＇＝(V＇,E＇)中第i个关注区域的局部布局的评价值。因此，地图G的整体评价值为n个局部评价值F(LL_i)的和，即公式13

$F\left(\mathrm{LL}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}F\left({\mathrm{LL}}_i\right)---\left(13\right)$

求解局部布局优化的方法类似于全局布局优化，我们把多目的地地图的局部布局问题构造成一个搜索问题，在可能的搜索空间中寻找一个最佳局部布局。我们定义了评价函数F(LL_i)和新的扰动函数PerturbLayout'(LL_i)。局部布局的扰动函数同样被设计成离散的、随机的。扰动方式为以缩放系数scale随机缩放关注区域随机的某一部分道路网络，如图7所示，在地图21上随机选择一个矩形关注区域(例如21A)，并在其中随机选择一个点17。通过此点随机生成一条直线29把矩形关注区域划分为2个区域。随机选择其中一个区域30，并随机进行放大或缩小操作，最终得到经过扰动的地图31。具体地，局部布局的扰动操作由以下五个步骤组成：

T1在关注区域G_i＝(V_i,E_i)中随机选择一个点v。

T2随机生成一条穿过点v的直线l，该直线把G_i分为2个部分，part1和part2。

T3随机生成两个范围在[0.8,1.2]之间的缩放因子scale1和scale2。

T4分别将2个缩放因子应用于对应的两个部分。

T5均匀调整G_i的道路网络，保持道路网络始终在矩形关注区域的内部。

我们依次对地图G＇＝(V＇,E＇)的n个关注区域求解局部的最佳布局F(LL_i)，同样采用模拟退火算法进行求解。

2.3)地图局部微调步骤

经过全局布局优化、局部布局优化两个步骤之后，输入的多目的地地图已经能够显示不同层次的细节信息了。但是，由于角度维持规则和相对角度维持规则被设定为软性约束，且它们的权重被设置得比确保道路清晰可见的规则的权重小。因此，得到的优化结果可能会存在过多的角度偏离。其次，为了确保 全局布局优化和局部布局优化的过程中能够充分利用显示空间，保证所有道路的清晰可见，我们没有考虑路段之间的相对长度关系。所以，在局部微调的步骤中，我们把多目的地地图视为一个整体，在确保道路清晰可见的前提下，调整路段之间的相对角度和相对长度的关系，使道路网络更接近原始布局中的相对角度和相对长度关系。在确保路径清晰可见的前提下，布局微调应遵循的规则如下：

e1确保所有路段维持原有的角度。

e2确保所有路段之间维持原有的相对角度关系。

e3确保所有路段之间维持原有的相对长度关系。

e4始终维持路网的正确拓扑结构。

我们使用F(G＇)来评价多目的地地图的布局质量，它由五个评价函数的加权和所组成，如公式14所示

F(G')＝ω_lengthf_length+ω_{r_length}f_{r_length}+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo  (14) 

假设输入的多目的地地图G’＝(V’,E’)含有k＝|E’|条边。边e_i在原始布局中的长度记为l_i，在后继布局中的长度记为l′_i。两条路段的相对长度关系被定义为路段之间的长度比。假设，l_i＞l_j，那么路段e_i和e_j的相对长度关系被定义为l_i/l_j。通过计算路段之间的相对长度关系在后继布局中的变化来评估布局质量，如公式15所示。

$f_{r\_\mathrm{length}}=\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}\underset{j=i+1}{\overset{k}{\mathrm{\Σ}}}{(l_i/l_j-{l^{\′}}_j/{l^{\′}}_j)}^2---\left(15\right)$

布局微调的优化方法采用和局部优化相同的扰动和搜索策略进行求解，如下：

将多目的地地图的局部微调问题构造成一个搜索问题，在可能的搜索空间中寻找一个最佳局部布局。局部微调的扰动函数同样被设计成离散的、随机的。 扰动方式为以缩放系数scale随机缩放关注区域随机的某一部分道路网络，如图7所示，在地图21上随机选择一个矩形关注区域(例如21A)，并在其中随机选择一个点17。通过此点随机生成一条直线29把矩形关注区域划分为2个区域。随机选择其中一个区域30，并随机进行放大或缩小操作，最终得到经过扰动的地图31。

具体地，局部微调布局的扰动操作由以下五个步骤组成：

T1在关注区域G_i＝(V_i,E_i)中随机选择一个点v。

T2随机生成一条穿过点v的直线l，该直线把G_i分为2个部分part1和part2。

T3随机生成两个范围在[0.8,1.2]之间的缩放因子scale1和scale2。

T4分别将2个缩放因子应用于对应的两个部分。

T5均匀调整G_i的道路网络，保持道路网络始终在矩形关注区域的内部。

依次对地图G＇＝(V＇,E＇)的n个关注区域求解局部的最佳布局F(LL_i)，同样采用模拟退火算法进行求解。

本发明还提出一种多目的地地图的自动简化及布局优化系统，参照图1包括本系统从OpenStreetMap获取原始的地图数据10，作为本发明系统11的输入，多目的地地图自动生成系统11包括3个主要部件，分别是与用户进行交换的交换界面装置11A、地图数据简化装置11B和地图布局优化装置11C。在用户交换装置中，用户可通过鼠标在可缩放的动态地图上与本系统进行交互并指定多个要去的目的地。地图数据简化装置依据用户选择的多个目的地，从完整的地图数据集合中选出与用户最相关数据的子集。地图布局优化装置重新优化经过简化的道路网络，使得不同层次的细节信息都能清晰可见。最终，系统输出一张经过简化和布局优化的多目的地地图12。具体的：

地图数据简化装置，参照图2示意性示出了地图数据简化装置11B的组成 部分，分别是地图数据简化设计规则13、可见环识别装置14和使用最佳线路连接可见环的装置15。用于对于指定的每个目的地，依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，并将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络。

地图布局优化装置，图3示意性示出了地图布局优化装置(11C)的组成部分。地图切割装置11D依据多目的地布局模型21，提出了一种新的基于图的最小割的切割算法,它可以将输入的稀疏地图切割为多个矩形关注区域，每个关注区域都需要确保包含完整的可达相应目的地的道路网络，并保留连接于不同关注区域之间的连接边。此后，系统对简化后的地图网络进行布局优化。本系统分别从全局和局部这两个层次对多目的地地图的布局做优化。在全局布局优化装置11E中,我们把包含目的地的关注区域作为优化的基本单元。通过改变这些矩形的大小、位置以及连接边的几何关系来重新布局多目的地地图。在局部布局优化装置11F中，我们关注多目的地地图布局模型中矩形关注区域内部网络的优化，确保关注区域内部的路段都能够清晰可见。最后，在布局微调装置11G中我们将地图视为一个整体，用于调整路段之间的相对角度和相对长度的关系，使道路网络更接近原始布局中的相对角度和相对长度关系。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.一种多目的地地图的自动简化及布局优化方法，其特征在于：对于输入的道路网络，预先定义该道路网络中的道路类型包括高速公路、主干道和街道；具体方法包括如下步骤：

1)地图数据简化步骤

对于指定的每个目的地，依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，并将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络；

2)地图布局优化步骤

2.1)地图切割步骤：采用最小割算法将简化后的道路网络切割为多个与目的地对应的关注区域，每个关注区域都需要确保包含完整的可达相应目的地的道路网络，并保留连接于不同关注区域之间的连接边；

2.2)地图全局布局优化步骤：通过约束该关注区域的大小和位置，及控制连接边的位置和角度来优化该简化的道路网络的布局；

2.3)地图局部布局优化步骤：对每个关注区域寻找其最佳布局并确保关注区域内的道路网络清晰可见；

2.4)地图局部微调步骤。

2.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：预先定义输入的道路网络为图G＝(V,E)，V＝{v₁,v₂,...,v_N}表示图中的所有顶点的集合，E为图中所有连接边的集合，N为所有顶点个数；图G上的每个点(u,v)∈E是平面上的二维向量，拥有两个坐标X_u和Y_u，边(u,v)∈E对应于道路网络中连接点u和点v的路段；指定的多个目的地用集合D＝{v₁,v₂...v_n}来表示，n为目的地数量；路R＝{v_s,...v_k...v_e}被定义为一组点的有序序列，它起始于点v_s，经过点v_k终止于点v_e，s,k,e∈[1,N]；.

在步骤1)中，所述的依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，具体是指:

在图G＝(V,E)中，点v_i∈E对目的地点v_j是可见的当且仅当i∈[1,N],j∈[1,n]，i≠j；(v_i,v_j)所在的直线段不与图中任意一个边(u,v)∈E相交；边(u,v)∈E对目的地点v_j是可见的当且仅当u和v对v_j都是可见的；将当前路径类型的边中，所有相对目的地点v_j是可见的边构成当前路径类型的包围目的地点的可见环。

3.如权利要求2所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：将每个点的度数定义为与该点相连接的边的数目，在步骤1)中所述的将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络，具体是指：将构成街道可见环上的所有点均与目的地连接；将构成主干道可见环上的所有点中，度数大小排在前70％的点与目的地连接；将构成高速公路可见环上的度数大小排在前50％的点与目的地连接；而后，还包括采用道格拉斯-普克算法来压缩路径中点的个数，定义带有n个目的地D＝{v₁,v₂...v_n}的地图G＝(V,E)，点v_i∈E为不可压缩点当且仅当v_i∈{v_s,v_e}或v_i∈D。

4.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：在步骤2)中，所述的2.1)地图切割步骤具体是指：

给定一个带有n个目的地D＝{v₁,...v_k,...v_n}的稀疏地图G＇＝(V＇,E＇)，寻找(G＇，D)的一种切割Γ，定义切割Γ为一个包括三项加权和的能量方程：

Γ(G′，D)＝αf_des(G′，D)+βf_edge(G′，D)+γf_ovl(G′，D)；

其中：f_des(G＇,D)是限定每个目的地仅存在于唯一与之对应的关注区域内；f_edge(G＇,D)是衡量被切割的边的数目以及保证完整的可达路径；f_ovl(G＇,D)是 衡量关注区域之间的重叠面积；其中α,β和γ分别代表f_des(G＇,D)、f_edge(G＇,D)和f_ovl(G＇,D)在能量方程中所占的比重。

5.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：在步骤2)中，所述的2.2)地图全局布局优化步骤具体是指：

给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，G_i表示对应于第i个目的地的关注区域，全局布局优化是寻找一个布局GL＝{G₁,...G_n}，其包括四个评价函数的加权和：

F(GL)＝ω_lengthf_length+ω_anglef_{angle_adj}+ω_areaf_area+ω_topof_topo；

其中：评价函数f_length是衡量每个关注区域中道路网络的清晰度；评价函数f_angle-adj评价连接边的角度的保持程度，连接边的角度偏离越小，该评价函数的值越小；f_area评价关注区域是否重复利用显示空间以及关注区域之间的重叠情况；f_topo是衡量某个布局GL是否维持原有的拓扑结构，ω_length、ω_angle、ω_area和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

6.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：在步骤2)中，所述的2.2)地图全局布局优化步骤还包括：给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，G_i表示对应于第i个目的地的关注区域，定义扰动函数PerturbLayout(GL)，其扰动操作包括以下步骤：

S1在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_i；

S2生成一个随机的，范围在[0.8,1.2]之间的缩放因子scale；

S3对选出的关注区域G_i应用缩放，即G_i＝G_i*scale；

S4再一次在n个关注区域{G₁,...,G_i,...G_n}中随机选择一个，计为G_i；

S5生成两个随机的，范围在[-3,+3]之间的平移因子move_x和move_y；

S6对G_i应用移动操作，即G_j＝G_j+move_x+move_y。

7.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：在所述步骤2.3)地图局部布局优化步骤具体是指：

给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，局部布局优化是寻找关注区域G_i的最佳布局LL_i＝{V_i,E_i}，其包括四个评价函数加权和：

F(LL_i)＝ω_lengthf_length+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo；

其中：评价函数f_length衡量关注区域G_i中道路网络的清晰度；评价函数f_angle评价关注区域中路段的角度的保持程度，路段的角度偏离越小，评价函数的值越小；f_{r_angle}评价关注区域中不同路段之间的相对角度的保持程度；f_topo衡量某个局部布局LL_i是否维持原有的拓扑结构，ω_length、ω_angle、ω_{r_angle}和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

8.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：在所述步骤2.3)中，还包括：给定一个带有n个目的地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，定义扰动函数PerturbLayout'(LL_i)，其扰动操作包括以下步骤：

T1在关注区域G_i＝(V_i,E_i)中随机选择一个点v；

T2随机生成一条穿过点v的直线l，该直线把G_i分为2个部分，part1和part2；

T3随机生成两个范围在[0.8,1.2]之间的缩放因子scale1和scale2；

T4分别将2个缩放因子应用于对应的两个部分；

T5均匀调整G_i的道路网络，保持道路网络始终在矩形关注区域的内部。

9.如权利要求1所述的一种多目的地地图的自动简化及布局优化方法，其特征在于：所述的2.4)地图局部微调步骤具体是指：给定一个带有n个目的 地的稀疏地图G＇＝(V＇,E＇)，对应n个关注区域ROIs＝{G₁,...G_n}，G_i表示对应于第i个目的地的关注区域，采用F(G＇)来评价多目的地地图的布局质量，其包括五个评价函数的加权和：

F(G')＝ω_lengthf_length+ω_{r_length}f_{r_length}+ω_anglef_angle+ω_{r_angle}f_{r_angle}+ω_topof_topo；

其中：评价函数f_length衡量关注区域G_i中道路网络的清晰度；评价函数f_{r_length}衡量关注区域中路段的相对长度的保持程度；评价函数评价函数f_angle评价关注区域中路段的角度的保持程度，路段的角度偏离越小，评价函数的值越小；f_{r_angle}评价关注区域中不同路段之间的相对角度的保持程度；f_topo衡量某个局部布局G＇是否维持原有的拓扑结构；ω_length、ω_{r_length}、ω_angle、ω_{r_angle}和ω_topo分别表示对应的评价函数在整个评价式子中所占的比重。

10.一种多目的地地图的自动简化及布局优化系统，其特征在于：包括

地图数据简化装置，用于对于指定的每个目的地，依次识别道路网络的高速公路、主干道和街道中存在的包围目的地的可见环，并将可见环上的点和对应的目的地用最佳线路进行连接构成简化后的道路网络；

地图布局优化装置，包括地图切割装置，采用最小割算法将简化后的道路网络切割为多个与目的地对应的关注区域，每个关注区域都需要确保包含完整的可达相应目的地的道路网络，并保留连接于不同关注区域之间的连接边；地图全局布局优化装置，通过约束该关注区域的大小和位置，及控制连接边的位置和角度来优化该简化的道路网络的布局；地图局部布局优化装置，对每个关注区域寻找其最佳布局并确保关注区域内的道路网络清晰可见；

及地图局部微调装置，用于调整路段之间的相对角度和相对长度的关系，使道路网络更接近原始布局中的相对角度和相对长度关系。