CN108961403A - 一种运用开源街道地图提取主干道的方法 - Google Patents
一种运用开源街道地图提取主干道的方法 Download PDFInfo
- Publication number
- CN108961403A CN108961403A CN201810651246.3A CN201810651246A CN108961403A CN 108961403 A CN108961403 A CN 108961403A CN 201810651246 A CN201810651246 A CN 201810651246A CN 108961403 A CN108961403 A CN 108961403A
- Authority
- CN
- China
- Prior art keywords
- road
- trunk roads
- major trunk
- triangle
- open source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种运用开源街道地图提取主干道的方法,该方法包括以下步骤:步骤1、获取开源街道地图中的原始道路线数据,并进行预处理,将原始道路线数据组织为道路节点、道路弧段的数据结构,并将预处理后的道路线插值加密;步骤2、对加密道路线构建约束Delaunay三角网,利用Delaunay三角形边长与骨架剖分Voronoi图单元面积差异的特征计算主干道识别指标,并构建主干道多边形识别模型;步骤3、运用主干道识别模型对Delaunay三角形分类,运用Delaunay三角网与种子点区域增长算法提取开源街道地图主干道多边形。本发明能快速、可靠的从开源道路数据集中提取主干道,降低了城市主干道信息提取的成本,且提取方法简单、易于实现。
Description
技术领域
本发明涉及地理信息系统与空间数据分析处理技术领域,尤其涉及一种运用开源街道地图提取主干道的方法。
背景技术
道路数据作为地理空间数据库的重要组成部分,是对城市空间活动进行表达、分析、规划和服务的数据基础。由于网络传输速度、可视化渲染等方面的限制,原始道路数据很难满足实际应用需求,需对其进行多尺度建模。城市主干道体现了路网的骨架结构,是数据库自动多尺度建模的重要内容。道路主干道的提取对于路网多尺度表达、地图综合、智能交通服务等具有重要作用。当前,随着通信技术的发展和志愿者地理信息的出现,开源地图数据以其低成本、高现势性的优点成为道路信息获取的重要手段。开源街道地图如OpenStreet Map(简称OSM)等作为开源地图数据的典型代表,志愿者能够随时编辑提交地理数据到开源数据库中,并快速更新地图。利用开源地图数据及其众包制图思想,快速的从开源街道地图数据中提取城市道路主干道,并用于城市扩展的时空模式分析、城市路网结构模式识别、道路数据多尺度表达与建模等具有重要应用价值。
当前,对于主干道模式识别与主干道提取的方法分为两类,一是利用道路属性信息提取主干道,如学者Thom S.A针对官方测绘数据利用弧段和结点要素的属性信息准确识别平行道路,但该方法只适于特定数据类型,不具有一般性。二是根据道路的几何特征如道路长度、度中心性、中介中心性等计算道路重要性,划分道路等级以提取主干道。但这些传统方法对道路数据质量要求较高、算法复杂、效率低,不适于当前的众源大数据。开源街道地图数据具有属性语义模糊、数据冗余、重复数字化、几何拓扑错误等质量问题。开源地图的数据质量问题增加了主干道的识别难度,且一直制约着城市主干道提取。针对上述存在的问题,本发明基于道路线空间分布模式与几何特征差异建立主干道多边形识别模型,运用约束Delaunay三角网提取开源街道地图的主干道多边形。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种运用开源街道地图提取主干道的方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种运用开源街道地图提取主干道的方法,该方法包括以下步骤:
步骤1、获取开源街道地图中的原始道路线数据,并进行预处理,将原始道路线数据组织为道路节点、道路弧段的数据结构,并将预处理后的道路线插值加密;
步骤2、对加密道路线构建约束Delaunay三角网,利用Delaunay三角形边长与骨架剖分Voronoi图单元面积差异的特征计算主干道识别指标,并构建主干道多边形识别模型;
步骤3、运用主干道识别模型对Delaunay三角形分类,运用Delaunay三角网与种子点区域增长算法提取开源街道地图主干道多边形。
进一步地,本发明的步骤1的具体方法为:
步骤1.1、利用ArcGIS拓扑检查工具对原始道路线数据进行预处理,包括悬挂线、伪节点的错误消除,将道路线组织为节点-道路弧段的数据结构;
步骤1.2、对预处理得到的道路线进行等长插值加密。
进一步地,本发明的步骤1.2中进行等长插值加密的加密步长为10m。
进一步地,本发明的步骤2的具体方法为:
步骤2.1、加密后的道路线构建约束Delaunay三角网,利用Delaunay三角网生成路网骨架剖分Voronoi图;对于任意道路弧段Ri,运用骨架剖分Voronoi图单元面积计算该道路弧段的线密度变化率LDCR,计算公式如下:
其中,A(Voroleft)、A(Vororight)分别表示Ri道路弧段Voronoi图单元左右部分的面积;
步骤2.2、根据Delaunay三角网边长统计特征,计算边长距离指标识别主干道,边长距离指标LenValue计算公式如下:
LenValue=Mean(DT)+α×LenVariation(DT)
其中,Mean(DT)表示三角网DT平均边长,LenVariation(DT)表示三角网边长变异,α表示调节系数,默认为1;
步骤2.3、运用线密度变化率、边长距离两个指标构建主干道多边形边界识别模型;该模型描述为:
设置线密度变化率参数LDCR_Value,对于Delaunay三角网中的任意一条三角形边Ei,如果其线密度变化率LDCR(Ei)≥LDCR_Value或者其边长度Length(Ei)≥LenValue,则三角形边Ei为主干道边界,称该边为边界边BE;反之,该三角形边为普通边PE。
进一步地,本发明的步骤3的具体方法为:
步骤3.1、运用主干道多边形边界识别模型对由加密道路线构建的Delaunay三角网中的所有三角形分类,根据三角形中边界边的数量,将Delaunay三角形分为4类:只有1条边界边的为Ⅰ类三角形;有两条边界边的为Ⅱ类三角形;有三条边界边的为Ⅲ类三角形;没有边界边的为Ⅳ类三角形;
步骤3.2、将任意Ⅳ类三角形作为“种子点”,以“种子点”为源头根据Delaunay三角网邻接关系扩展搜索主干道多边形范围;在保持拓扑连通性的前提下,由与种子点相连的任意三角形出发,向三方向扩展,对于一个三角形来说,搜索路径为一边进入、两边输出,因此采用二叉树广度优先遍历三角网,一旦输出边为边界边,则停止该边方向上的搜索;Ⅱ类三角形看作叶子节点,只有一边进入,没有输出;Ⅰ类三角形是拥有一个孩子节点的非叶子节点;Ⅳ类三角形是拥有两个孩子节点的非叶子节点;Ⅲ类三角形为非主干道区域,不进行搜索;
步骤3.3、根据三角形边与三角形的邻接关系,按照步骤3.2中方法持续扩展直到扩展边均为边界边,且所有Ⅳ类三角形都被搜索,则所有搜索扩展区域构成的封闭多边形为道路主干道多边形提取结果。
本发明产生的有益效果是:本发明的运用开源街道地图提取主干道的方法,通过引入Delaunay三角网构建道路弧段Voronoi图,从道路线密度空间分布模式与几何特征识别主干道多边形,运用道路线密度变化率、三角形边长距离等指标构建主干道多边形识别模型,运用Delaunay三角网与“种子点”区域增长算法提取主干道多边形。本发明以开源街道地图道路线数据为数据源,能准确识别主干道结构模式、快速提取主干道多边形,降低了城市主干道信息获取成本,且提取方法易于实现。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的流程图;
图2是本发明实施例的主干道识别指标计算原理图,其中图2(a)为加密道路线构建约束Delaunay三角网和生成路网骨架剖分Voronoi图示意图,图2(b)道路线(道路弧段)密度变化率指标计算示意图;
图3是本发明实施例的主干道识别模型意图;
图4是本发明实施例的运用主干道识别模式分类Delaunay三角形示意图
图5是本发明实施例的运用Delaunay三角网与区域增长算法提取主干道多边形示意图,其中图5(a)为“种子点”选取示意图,图5(b)为主干道多边形提取过程示意图;
图6是本发明实施例的基于Delaunay三角网提取主干道结果示意图,其中图6(a)为北京市实验结果图,图6(b)为部分结果放大图,图6(c)为武汉市实验结果图,图6(d)为慕尼黑市实验结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的一种运用开源街道地图提取主干道的方法,包括以下步骤:
步骤1:对原始道路线数据进行预处理,组织为道路节点、道路弧段的数据结构以保持拓扑正确性,并将预处理后的道路线插值加密;
步骤1.1:利用ArcGIS拓扑检查工具对原始道路线数据进行预处理,包括悬挂线、伪节点等错误消除,将道路线组织为节点-道路弧段的数据结构;
步骤1.2:对步骤1.1中预处理得到的道路线进行等长插值加密,加密步长为10m,如图2(a)为加密后的道路线;
步骤2:如图2所示,对加密道路线构建约束Delaunay三角网,利用Delaunay三角形边长与骨架剖分Voronoi图单元面积差异等特征计算主干道识别指标;如图3所示,运用主干道识别指标构建主干道多边形识别模型;
步骤2.1:如图2(a)所示,对步骤1.2中加密后的道路线构建约束Delaunay三角网,利用Delaunay三角网生成路网骨架剖分Voronoi图。对于任意道路弧段Ri,运用骨架剖分Voronoi图单元面积计算该道路弧段的线密度变化率(LDCR),计算公式如下:
上式中上A(Voroleft)、A(Vororight)分别表示Ri道路弧段Voronoi图单元左右部分的面积;如图2(b)中所示,道路弧段LDCR(L1)=V2/V1;
步骤2.2:根据Delaunay三角网边长统计特征,计算边长距离指标识别主干道,边长距离指标LenValue计算公式如下:
LenValue=Mean(DT)+α×LenVariation(DT)
上式中Mean(DT)表示三角网DT平均边长,LenVariation(DT)表示三角网边长变异,α表示调节系数,默认为1;
步骤2.3:如图3所示,运用线密度变化率、边长距离两个指标构建道路主干道多边形边界识别模型。该模型描述为,设置线密度变化率参数LDCR_Value,对于Delaunay三角网中的任意一条三角形边Ei,如果其线密度变化率LDCR(Ei)≥LDCR_Value或者其边长度Length(Ei)≥LenValue,则三角形边Ei为主干道边界,称该边为边界边(BE);反之,该三角形边为普通边(PE);
步骤3:如图4所示,首先运用主干道识别模型对Delaunay三角形分类;然后运用Delaunay三角网与种子点区域增长算法提取道路主干道多边形,如图5所示;
步骤3.1:运用步骤2.3中的主干道识别模型对由加密道路线构建的Delaunay三角网中的所有三角形分类。根据三角形中边界边的数量,将Delaunay三角形分为4类:只有1条边界边的为Ⅰ类三角形;有两条边界边的为Ⅱ类三角形;有三条边界边的为Ⅲ类三角形;没有边界边的为Ⅳ类三角形;Delaunay三角网分类结果如图4所示;
步骤3.2:如图5(a)所示,将任意Ⅳ类三角形作为“种子点”,以“种子点”为源头根据Delaunay三角网邻接关系扩展搜索主干道多边形范围。在保持拓扑连通性的前提下,由与种子点相连的任意三角形出发,向三方向扩展,对于一个三角形来说,搜索路径为一边进入、两边输出,因此采用二叉树广度优先遍历三角网,一旦输出边为边界边,则停止该边方向上的搜索。Ⅱ类三角形可看作叶子节点,只有一边进入,没有输出;Ⅰ类三角形是拥有一个孩子节点的非叶子节点;Ⅳ类三角形是拥有两个孩子节点的非叶子节点;Ⅲ类三角形为非主干道区域,不进行搜索;扩展搜索得到的主干道边界结果如图5(b)所示;
步骤3.3:如图5(b)所示,根据三角形边与三角形的邻接关系,按照步骤3.2中方法持续扩展直到扩展边均为边界边,且所有Ⅳ类三角形都被搜索,则所有搜索扩展区域构成的封闭多边形为道路主干道多边形提取结果;根据上述技术流程,分别对北京、武汉、慕尼黑等城市的开源街道数据进行实验,其实验结果如图6所示。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种运用开源街道地图提取主干道的方法,其特征在于,该方法包括以下步骤:
步骤1、获取开源街道地图中的原始道路线数据,并进行预处理,将原始道路线数据组织为道路节点、道路弧段的数据结构,并将预处理后的道路线插值加密;
步骤2、对加密道路线构建约束Delaunay三角网,利用Delaunay三角形边长与骨架剖分Voronoi图单元面积差异的特征计算主干道识别指标,并构建主干道多边形识别模型;
步骤3、运用主干道识别模型对Delaunay三角形分类,运用Delaunay三角网与种子点区域增长算法提取开源街道地图主干道多边形。
2.根据权利要求1所述的运用开源街道地图提取主干道的方法,其特征在于,步骤1的具体方法为:
步骤1.1、利用ArcGIS拓扑检查工具对原始道路线数据进行预处理,包括悬挂线、伪节点的错误消除,将道路线组织为节点-道路弧段的数据结构;
步骤1.2、对预处理得到的道路线进行等长插值加密。
3.根据权利要求2所述的运用开源街道地图提取主干道的方法,其特征在于,步骤1.2中进行等长插值加密的加密步长为10m。
4.根据权利要求1所述的运用开源街道地图提取主干道的方法,其特征在于,步骤2的具体方法为:
步骤2.1、加密后的道路线构建约束Delaunay三角网,利用Delaunay三角网生成路网骨架剖分Voronoi图;对于任意道路弧段Ri,运用骨架剖分Voronoi图单元面积计算该道路弧段的线密度变化率LDCR,计算公式如下:
其中,A(Voroleft)、A(Vororight)分别表示Ri道路弧段Voronoi图单元左右部分的面积;
步骤2.2、根据Delaunay三角网边长统计特征,计算边长距离指标识别主干道,边长距离指标LenValue计算公式如下:
LenValue=Mean(DT)+a×LenVariation(DT)
其中,Mean(DT)表示三角网DT平均边长,LenVariation(DT)表示三角网边长变异,α表示调节系数,默认为1;
步骤2.3、运用线密度变化率、边长距离两个指标构建主干道多边形边界识别模型;该模型描述为:
设置线密度变化率参数LDCR_Value,对于Delaunay三角网中的任意一条三角形边Ei,如果其线密度变化率LDCR(Ei)≥LDCR_Value或者其边长度Length(Ei)≥LenValue,则三角形边Ei为主干道边界,称该边为边界边BE;反之,该三角形边为普通边PE。
5.根据权利要求4所述的运用开源街道地图提取主干道的方法,其特征在于,步骤3的具体方法为:
步骤3.1、运用主干道多边形边界识别模型对由加密道路线构建的Delaunay三角网中的所有三角形分类,根据三角形中边界边的数量,将Delaunay三角形分为4类:只有1条边界边的为Ⅰ类三角形;有两条边界边的为Ⅱ类三角形;有三条边界边的为Ⅲ类三角形;没有边界边的为Ⅳ类三角形;
步骤3.2、将任意Ⅳ类三角形作为“种子点”,以“种子点”为源头根据Delaunay三角网邻接关系扩展搜索主干道多边形范围;在保持拓扑连通性的前提下,由与种子点相连的任意三角形出发,向三方向扩展,对于一个三角形来说,搜索路径为一边进入、两边输出,因此采用二叉树广度优先遍历三角网,一旦输出边为边界边,则停止该边方向上的搜索;Ⅱ类三角形看作叶子节点,只有一边进入,没有输出;Ⅰ类三角形是拥有一个孩子节点的非叶子节点;Ⅳ类三角形是拥有两个孩子节点的非叶子节点;Ⅲ类三角形为非主干道区域,不进行搜索;
步骤3.3、根据三角形边与三角形的邻接关系,按照步骤3.2中方法持续扩展直到扩展边均为边界边,且所有Ⅳ类三角形都被搜索,则所有搜索扩展区域构成的封闭多边形为道路主干道多边形提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651246.3A CN108961403A (zh) | 2018-06-22 | 2018-06-22 | 一种运用开源街道地图提取主干道的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651246.3A CN108961403A (zh) | 2018-06-22 | 2018-06-22 | 一种运用开源街道地图提取主干道的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108961403A true CN108961403A (zh) | 2018-12-07 |
Family
ID=64491974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810651246.3A Pending CN108961403A (zh) | 2018-06-22 | 2018-06-22 | 一种运用开源街道地图提取主干道的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961403A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902134A (zh) * | 2019-02-18 | 2019-06-18 | 北京市天元网络技术股份有限公司 | 工程道路中故障路段的精确呈现方法、装置与电子设备 |
CN111161376A (zh) * | 2019-12-27 | 2020-05-15 | 北京林业大学 | 一种基于地理要素约束的路径插值方法及计算系统 |
CN111814605A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 基于拓扑地图的主干道识别方法、识别装置及存储装置 |
CN112395516A (zh) * | 2020-12-03 | 2021-02-23 | 中煤航测遥感集团有限公司 | 空间区域分析处理方法、装置、设备及存储介质 |
CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
CN113191622A (zh) * | 2021-04-27 | 2021-07-30 | 北京交通发展研究院 | 公交干线走廊新增方法、装置、计算机设备及存储介质 |
CN117216178A (zh) * | 2023-11-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6075541A (en) * | 1997-11-07 | 2000-06-13 | Trimble Naviagtion Limited | Topographic triangulation in reduced time |
CN105095591A (zh) * | 2015-08-11 | 2015-11-25 | 武汉大学 | 一种多尺度城市扩张关联规则提取方法 |
CN105893703A (zh) * | 2016-04-27 | 2016-08-24 | 中国地质大学(武汉) | 一种基于多边形的城市道路网主干道选取方法 |
CN106485766A (zh) * | 2016-10-21 | 2017-03-08 | 西南大学 | 一种约束Delaunay三角网的并行构建方法 |
CN106528740A (zh) * | 2016-11-04 | 2017-03-22 | 中科宇图科技股份有限公司 | 基于Delaunay三角网的道路中心线提取方法 |
CN106548141A (zh) * | 2016-11-01 | 2017-03-29 | 南京大学 | 一种基于三角网的面向对象耕地信息自动提取方法 |
CN108010103A (zh) * | 2017-11-24 | 2018-05-08 | 武汉大学 | 复杂河道地形快速精细生成方法 |
-
2018
- 2018-06-22 CN CN201810651246.3A patent/CN108961403A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6075541A (en) * | 1997-11-07 | 2000-06-13 | Trimble Naviagtion Limited | Topographic triangulation in reduced time |
CN105095591A (zh) * | 2015-08-11 | 2015-11-25 | 武汉大学 | 一种多尺度城市扩张关联规则提取方法 |
CN105893703A (zh) * | 2016-04-27 | 2016-08-24 | 中国地质大学(武汉) | 一种基于多边形的城市道路网主干道选取方法 |
CN106485766A (zh) * | 2016-10-21 | 2017-03-08 | 西南大学 | 一种约束Delaunay三角网的并行构建方法 |
CN106548141A (zh) * | 2016-11-01 | 2017-03-29 | 南京大学 | 一种基于三角网的面向对象耕地信息自动提取方法 |
CN106528740A (zh) * | 2016-11-04 | 2017-03-22 | 中科宇图科技股份有限公司 | 基于Delaunay三角网的道路中心线提取方法 |
CN108010103A (zh) * | 2017-11-24 | 2018-05-08 | 武汉大学 | 复杂河道地形快速精细生成方法 |
Non-Patent Citations (5)
Title |
---|
QIUPING LI ET AL.: "Polygon-based Approach for Extracting Multilane Road from OpenStreetMap Urban Road Networks", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》 * |
杨伟等: "基于众源轨迹数据的道路中心线提取", 《地理与地理信息科学》 * |
杨伟等: "基于车辆轨迹大数据的道路网更新方法研究", 《计算机研究与发展》 * |
杨伟等: "运用约束Delaunay三角网从众源轨迹线提取道路边界", 《测绘学报》 * |
艾廷华等: "基于三角网的"种子法"多边形生成", 《武汉大学学报(信息科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902134A (zh) * | 2019-02-18 | 2019-06-18 | 北京市天元网络技术股份有限公司 | 工程道路中故障路段的精确呈现方法、装置与电子设备 |
CN111161376A (zh) * | 2019-12-27 | 2020-05-15 | 北京林业大学 | 一种基于地理要素约束的路径插值方法及计算系统 |
CN111814605A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 基于拓扑地图的主干道识别方法、识别装置及存储装置 |
CN111814605B (zh) * | 2020-06-23 | 2024-01-19 | 浙江华睿科技股份有限公司 | 基于拓扑地图的主干道识别方法、识别装置及存储装置 |
CN112395516A (zh) * | 2020-12-03 | 2021-02-23 | 中煤航测遥感集团有限公司 | 空间区域分析处理方法、装置、设备及存储介质 |
CN112801075A (zh) * | 2021-04-15 | 2021-05-14 | 速度时空信息科技股份有限公司 | 基于航摄影像的农村道路边界线的自动提取方法 |
CN113191622A (zh) * | 2021-04-27 | 2021-07-30 | 北京交通发展研究院 | 公交干线走廊新增方法、装置、计算机设备及存储介质 |
CN113191622B (zh) * | 2021-04-27 | 2022-09-27 | 北京交通发展研究院 | 公交干线走廊新增方法、装置、计算机设备及存储介质 |
CN117216178A (zh) * | 2023-11-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
CN117216178B (zh) * | 2023-11-07 | 2024-01-30 | 航天宏图信息技术股份有限公司 | 一种地形图街道的绘制方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961403A (zh) | 一种运用开源街道地图提取主干道的方法 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN106548141B (zh) | 一种基于三角网的面向对象耕地信息自动提取方法 | |
CN115269751B (zh) | 地理实体时空知识图谱本体库构建方法 | |
CN103699654B (zh) | 一种跨比例尺矢量地图水网数据同名目标匹配方法 | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN106202335B (zh) | 一种基于云计算框架的交通大数据清洗方法 | |
CN106897417A (zh) | 一种基于多源大数据融合的城市空间全息地图的构建方法 | |
CN103837154A (zh) | 路径规划的方法及系统 | |
CN101650191B (zh) | 道路网络拓扑抽象的方法及装置 | |
CN109359162A (zh) | 一种基于gis的学校选址方法 | |
CN105893703B (zh) | 一种基于多边形的城市道路网主干道选取方法 | |
Weiss et al. | Road network selection for small-scale maps using an improved centrality-based algorithm | |
CN109472390A (zh) | 基于机器学习的规划方案智能生成方法及系统 | |
CN105258704A (zh) | 基于快速路网建模的多尺度时空热点路径探测方法 | |
CN102163224A (zh) | 自适应空间聚类方法 | |
CN105117494B (zh) | 模糊语境中的空间实体映射方法 | |
CN103955909A (zh) | 一种基于MapGISK9图像融合制作专题图的方法及系统 | |
CN104268941A (zh) | 仿真三维地图的热区形成方法及装置 | |
CN111027574A (zh) | 基于图卷积的建筑物模式识别方法 | |
CN108629836A (zh) | 一种将CATIA BIM实体模型转换为SuperMap GIS标准化模型的方法 | |
CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
Perna et al. | Characterization of spatial networklike patterns from junction geometry | |
CN116451931A (zh) | 一种公共服务设施选址行政管理决策的数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |
|
RJ01 | Rejection of invention patent application after publication |