CN115905445B - 一种基于Seq2Seq模型的道路要素化简方法 - Google Patents

Abstract

本发明涉及要素化简技术领域，具体涉及一种基于Seq2Seq模型的道路要素化简方法，该方法包括：获取大比例尺下的地图中道路数据的数据点对应的位置坐标，获取弧段的位置信息构成特征序列；将特征序列输入道路化简模型中，输出小比例尺下的地图中道路的特征序列；所述道路化简模型为全连接层和GRU网络构建的Seq2Seq网络模型，将匹配的大小比例尺对应的道路数据构成匹配对，获取匹配对中大小比例尺对应的特征序列作为训练数据集；以匹配对中大比例尺对应的特征序列作为全连接层的输入，以小比例尺对应的道路的特征序列作为解码器的输出，训练网络模型。本发明提高了化简效率，确保了参数设置的简便性和最优性。

Description

一种基于Seq2Seq模型的道路要素化简方法

技术领域

本发明涉及要素化简技术领域，具体涉及一种基于Seq2Seq模型的道路要素化简方法。

背景技术

随着我国基础设施建设步伐的加快和人民生活的需要，道路的数量和覆盖程度急剧增长，使得道路成为地图中变化最为活跃的要素之一，是国家社会文化、经济面貌的侧面反映，也是社会生产力发展水平的一种体现。为保证道路空间数据的现势性，提升生产和维护部门定期对地理空间数据更新能力，高效智能化简算法成为关键的一部分。在计算机技术快速发展、硬件性能提升、海量基础数据的基础上，如何将人工智能技术引入地图综合领域，建立专家化简结果案例库，学习隐藏在制图专家认知化简中的模糊关系，实现端到端的道路化简，成为如今地图综合急需解决的问题之一。

目前的道路智能化简方法中，主要是以人为的提取节点特征指标，根据算法学习指标间的关系从而进行化简，该方法存在局限性，未考虑除指标间以外存在的模糊关系的影响，可能会导致化简结果生硬。

发明内容

为了解决在进行道路智能化简时，未考虑除指标间以外存在的模糊关系的影响，可能会导致化简结果生硬的技术问题，本发明的目的在于提供一种基于Seq2Seq模型的道路要素化简方法，所采用的技术方案具体如下：

获取大比例尺下的地图中道路数据的数据点，获取数据点对应的位置坐标，将相邻两个数据点之间的道路段记为弧段，根据数据点的位置坐标获取弧段的位置信息，构成道路的特征序列；将所述特征序列输入道路化简模型中，输出小比例尺下的地图中道路的特征序列；

所述道路化简模型的训练方法具体为：

所述道路化简模型为全连接层和GRU网络构建的Seq2Seq网络模型；分别获取大比例尺下和小比例尺下的地图中道路数据，将匹配的大小比例尺对应的道路数据构成匹配对；获取匹配对中大小比例尺对应的道路的特征序列，作为网络模型的训练数据集；

以匹配对中大比例尺对应的特征序列作为全连接层的输入，以匹配对中小比例尺对应的道路的特征序列作为解码器的输出，训练网络模型；通过全连接层将匹配对中大比例尺对应的特征序列嵌入高纬度特征后获得特征矩阵，并输入编码器，通过编码器进行编码获得语义信息，将语义信息输入解码器生成小比例尺对应的道路的位置数据。

优选地，所述获取数据点对应的位置坐标具体为：数据点所在经度和维度构成数据点的坐标。

优选地，所述根据数据点的位置坐标获取弧段的位置信息，构成道路的特征序列具体为：弧段两个端点对应的数据点的位置坐标构成弧段的位置信息，道路数据中所有弧段的位置信息构成道路的特征序列。

优选地，所述将匹配的大小比例尺对应的道路数据构成匹配对具体为：

利用缓冲匹配算法，设置数据阈值，以小比例尺下的地图中道路数据为基准数据，自动获取匹配的大比例尺下的地图中的道路数据，将匹配的大小比例尺对应的道路数据构成匹配对。

优选地，所述特征矩阵的获取方法具体为：获取弧段中点的经度、弧段中点的纬度、弧段长度以及弧段的方位角，构成弧段的特征向量，道路中所有弧段的特征向量构成特征矩阵。

优选地，所述语义信息的获取方法具体为：

其中，r_t为重置门，z_t为更新门，n_t为当前所有状态信息值，h_t为当前时刻输出的状态信息值，x_t为当前时刻输入值，w_ir为重置门输入权重，b_ir为重置门输入偏值，w_hr为重置门隐藏状态权值，h_(t-1)为上一时刻隐藏状态信息，h_hr为重置门隐藏状态信息偏值，w_iz为更新门输入权重，b_iz为更新门输入偏置，w_hz为更新门隐藏状态权值，h_hz为更新门隐藏状态信息偏置，w_in为当前时刻输入权值，b_in为当前时刻输入偏置，w_hn为隐藏状态信息权重，b_hn为隐藏状态信息偏值。

优选地，所述道路化简模型还包括注意力机制，具体为：

以解码器和编码器在对应时刻的隐藏状态的相似度作为权重，根据权重以及对应时刻的隐藏状态得到解码器在对应时刻的注意力隐藏状态。

优选地，在将匹配的大小比例尺对应的道路数据构成匹配对后，所述方法还包括：

设置起点数据阈值和终点数据阈值，当匹配对中大小比例尺对应的道路数据中起始数据点对应的道路数据的差值大于起点数据阈值，且大小比例尺对应的道路数据中终止数据点对应的道路数据大于终点数据阈值时，改变匹配对中大比例尺或者小比例尺对应的道路数据的读取顺序。

优选地，所述道路化简模型的损失函数为均方差损失函数。

本发明实施例至少具有如下有益效果：

本发明考虑GRU模型在语言翻译中的应用，结合曲线由一系列节点组成，相邻节点构成弧段的特性，将道路序列化抽象看作是语言句，组成句子的字符对应相应的弧段，提取字符特征，通过数据点对应的位置坐标获取弧段的位置信息，对道路数据进行序列化处理，通过道路化简模型实现大比例尺对应的道路数据向小比例尺转换。获取不同比例尺的道路数据的匹配对，以编码器提取序列数据语义信息，以解码器与注意力机制生成数据点，以平均误差损失优化模型参数。本发明利用神经网络具有自主学习特征性能，可克服人为的设定阈值的不足，同时综合考虑了特征之间的模糊关系，降低了时间成本，提高了化简效率，化简后视觉效果更为温和，确保了参数设置的简便性和最优性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明的一种基于Seq2Seq模型的道路要素化简方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于Seq2Seq模型的道路要素化简方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于Seq2Seq模型的道路要素化简方法的具体方案。

实施例：

请参阅图1，其示出了本发明一个实施例提供的一种基于Seq2Seq模型的道路要素化简方法的方法流程图，该方法包括以下步骤：

步骤一，获取大比例尺下的地图中道路数据的数据点，获取数据点对应的位置坐标，将相邻两个数据点之间的道路段记为弧段，根据数据点的位置坐标获取弧段的位置信息，构成道路的特征序列；将所述特征序列输入道路化简模型中，输出小比例尺下的地图中道路的特征序列。

首先，需要说明的是，地图是由一系列点、线、面要素构成，是人类空间认知的产物，其中线要素是建立在人脑对地理物体轮廓的空间认知基础上，是实际地物的抽象化、符号化表达。道路作为实际地物的重要部分，其地理特征通过地图中线要素信息表达。实现地图综合自动化，线要素化简是其中重要的研究内容之一，需要计算机具备人脑对线状要素的认知思维能力、视觉选择性思维、视觉注视性思维及视觉结构联想性思维，促进人类对曲线弯曲的认识。基于视觉思维的道路形态认知对不同比例尺道路进行化简，不再局限于数学处理，加入视觉思维的道路化简更加平滑、温和。

在长期的语言实践中，人们以字或者词为单位进行语义的编码与传递。在字或者词的基础上出现了句子，以传递简短的信息，每个字或者词承担一定的句子功能，如主、谓、宾、定、状、补等多个句子组成段落，用来传递更长的信息，地图也是一种信息传递的手段。本发明将道路由弧段构成的特点与句法模式结合，句法模式识别是一种用模式的基本组成元素及其相互间的结构关系对模式进行描述和识别的技术。即对大而复杂的模式运用基元串对其进行编码并设计相应语法规则进行描述。

本发明将道路作为一个句子，单个弯曲可表示为子句子，以弧段为基元进行模式编码。将弧段作为研究对象，一是有利于基元间的相互约束，二是有利于不同基元通过语法规则进行信息的传递与保留。正如人类对一段文字的表达，基元是一句话中的一个词，一句话作为一段文字的组成部分，即子模式组成整个模式，要使一段文字传递信息且有逻辑，不仅需要一句话中每个词之间有逻辑关系且所组成的子模式间也有逻辑关系，且蕴含着不同信息及信息的传递。以弧段为基元，弯曲为子模式，要使一个模式能表达出人类视觉思维效果，即一段文字所传达的信息，不仅需要各弧段及弯曲间的相互作用，还需要融入视觉思维信息对弯曲整体形态进行约束，使得曲线形态在整体上进行表达。

然后，本发明实施例利用地图的道路数据由一系列数据点构成的特点，将大比例尺下的地图中道路数据序列化后经过道路化简模型，保持形态不变压缩部分次要数据点，以达到根据大比例尺下的地图中道路数据生成小比例尺下的地图中道路数据的目的。

具体地，对大比例尺下的地图中道路数据进行序列化处理，即获取大比例尺下的地图中道路数据的数据点坐标，沿起始点每相邻两点之间的弧段作为一个字符，从而把一条道路转化为字符串以到达序列化处理。即获取数据点所在经度和维度构成数据点的坐标，道路数据中所有数据点的坐标构成道路的特征序列。

对道路数据进行序列化处理，用公式表示为：d_i＝(lon_i,lat_i)，其中，d_i表示道路数据中数据点i的坐标，lon_i为数据点i的经度，lat_i为数据点i的维度，则道路数据点构成的数据点坐标序列为{d₁,d₂,…,d_i,…,d_n}，其中，d_n表示数据点n的坐标，n为道路数据中数据点的总数量。

进一步的，道路由一系列数据点组成，将相邻两个数据点之间的道路段记为弧段，多条弧段连接构成道路的特性，则道路可以用弧段表示，根据数据点的位置坐标获取弧段的位置信息，x_i＝(d_i,d_i+1)，x_i表示弧段i的位置信息，类似于一个字符，d_i和d_i+1分别表示弧段i的两个端点对应的数据点坐标，道路数据中所有弧段的位置信息构成道路的特征序列，则道路的特征序列可以表示为X＝{x₁,x₂,…,x_i,…,x_n-1}^T，以X表示一条道路的字符串，X由一系列x_i表示。

通过数据序列化，充分考虑序列前后之间的影响，不仅在数据压缩方面渐进专家思维，视觉效果符合人的要求。

进而将大比例尺下的地图中道路的特征序列输入道路化简模型中，输出小比例尺下的地图中道路的特征序列。

步骤二，所述道路化简模型的训练方法具体为：所述道路化简模型为全连接层和GRU网络构建的Seq2Seq网络模型；分别获取大比例尺下和小比例尺下的地图中道路数据，将匹配的大小比例尺对应的道路数据构成匹配对；获取匹配对中大小比例尺对应的道路的特征序列，作为网络模型的训练数据集。

首先，获取大比例尺和小比例尺下的地图中道路数据组成的数据对，即将匹配的大小比例尺对应的道路数据构成匹配对。具体地，获取同区域环境和同制图条件下不同比例尺中的道路数据，运用缓冲匹配算法，设置数据阈值，在本实施例中的取值为0.002，以小比例尺下的地图中道路数据为基准数据，自动获取匹配的大比例尺下的地图中的道路数据，将匹配的大小比例尺对应的道路数据构成匹配对。

对获得的匹配对进行预处理，结合ArcGIS10.2软件对已提取同名匹配道路数据中误匹配的道路数据进行修正或删除。再对匹配对的数据链接处理，主要链接因匹配提取和预处理而导致的伪节点，将其链接为同一条道路。

进而对匹配对读取不一致性进行处理，经误匹配与链接处理后的同名道路数据的匹配对存在读取顺序不一致，即大、小比例尺不在同一端开始读取，可采用两种不同的实施方式，一是对同一数据对某一比例尺道路首尾设置阈值大小，判断另一比例尺数据首尾点是否在所设阈值内确定是否需要不一致性处理，若另一道路数据的起点或终点在所设置起始或终止点范围内，则不做处理；否则将某条道路数据点读取顺序颠倒。

具体地，设置起点数据阈值和终点数据阈值，在本实施例中的取值均为0.002，当匹配对中大小比例尺对应的道路数据中起始数据点对应的道路数据的差值大于起点数据阈值，且大小比例尺对应的道路数据中终止数据点对应的道路数据大于终点数据阈值时，改变匹配对中大比例尺或者小比例尺对应的道路数据的读取顺序。

对匹配对读取不一致性进行处理的另一种实施方式为，将不同比例尺道路首、尾数据点相互链接，判断不同比例尺下，同首、尾点链接直线段是否大于不同首、尾点链接直线段，确定是否需要不一致性处理，若同首、尾点链接直线段大于不同首尾点链接直线段，则说明存在读取顺序不一致，将某条道路数据点读取顺序颠倒；否则不做任何处理。

进一步的，获取匹配对中大小比例尺对应的道路的特征序列，大小比例尺对应的道路的特征序列的获取方法与步骤一中大比例尺对应的道路的特征序列的获取方法相同。

在本发明实施例中，道路化简模型采用全连接层和GRU网络构建的Seq2Seq网络模型，进而将大小比例尺对应的道路的特征序列作为网络模型的训练数据集。通过全连接层将大比例尺特征维度嵌入高维度特征后输入编码器，通过编码器对特征进行编码，获取道路数据语义特征后输入解码器生成小比例尺道路经纬度数据点。

步骤三，以匹配对中大比例尺对应的特征序列作为全连接层的输入，以匹配对中小比例尺对应的道路的特征序列作为解码器的输出，训练网络模型；通过全连接层将匹配对中大比例尺对应的特征序列嵌入高纬度特征后获得特征矩阵，并输入编码器，通过编码器进行编码获得语义信息，将语义信息输入解码器生成小比例尺对应的道路的位置数据。

首先，通过全连接层将匹配对中大比例尺对应的特征序列嵌入高纬度特征后获得特征矩阵，根据每条线段的端点坐标提取弧段特征，本实施例中主要获取弧段中点经、纬度、方位角和线段长度四个特征，获取一条道路数据所有特征并转换为特征矩阵，特征矩阵每行代表一个弧段即一个字符，行数代表一条道路的弧段数即一个字符串，特征矩阵每列代表一个特征，列数代表特征数。

获取弧段中点的经度、弧段中点的纬度、弧段长度以及弧段中点的方位角，构成弧段的特征向量，表示为x_t＝{x_ij，y_ij，l_ij，α_ij}，x_t表示弧段t的特征向量，x_ij、y_ij、l_ij以及α_ij分别表示弧段t的中点的经度和维度、弧段长度以及弧段的方位角，道路中所有弧段的特征向量构成特征矩阵。

其中，x_ij、y_ij、l_ij以及α_ij分别表示弧段t的中点的经度和维度、弧段长度以及弧段的方位角。

γ＝MOD(A，360)

A＝a tan 2(y，x)

y＝sin(lon_i+1-lon_i)×cos(lat_i+1)

x＝cos(lat_i)×sin(lat_i+1)-sin(lat_i)×cos(lat_i+1)×cos(lon_i+1-lon_i)

式中，R＝6371为地球半径，lon、lat为经纬度，i为组成道路的线段编号，取值为1，2，…，n，且n+1＝m，m为道路数据点数；j为特征属性编号取值为1，2，3，4；i¹和i²分别为线段相邻两端点编号，且i¹+1＝i²。

然后，将特征矩阵输入编码器后，通过编码器进行编码获得语义信息，模型根据输入的特征序列中的特征信息抽取序列间模糊信息，为序列生成提供基础，表示为：

其中，r_t为重置门，负责控制忽略前一时刻的状态信息值，z_t为更新门，负责上一时刻信息状态对当前时刻状态的影响，n_t为当前所有状态信息值，包括上一时刻重置的状态信息值与当前时刻输入的状态信息值的总和，h_t为当前时刻输出的状态信息值，x_t为当前时刻输入值，w_ir为重置门输入权重，b_ir为重置门输入偏值；w_hr为重置门隐藏状态权值，h_(t-1)为上一时刻隐藏状态信息，h_hr为重置门隐藏状态信息偏值，w_iz为更新门输入权重，b_iz为更新门输入偏置，w_hz为更新门隐藏状态权值，h_hz为更新门隐藏状态信息偏置，w_in为当前时刻输入权值，b_in为当前时刻输入偏置，w_hn为隐藏状态信息权重，b_hn为隐藏状态信息偏值。

进一步的，道路化简模型中编码器的结构为：模型编码部分使用由单层GRU单元组成的循环神经网络，输入数据特征通过2个Linear将特征属性维度嵌入至GRU输入维度，通过编码获取大比例尺道路数据序列上下文特征信息，并编码为抽象上下文向量C其表示为：

式中，w_relu为Linear带ReLU激活函数的网络参数；w_encoder为GRU网络参数；h₁,h₁,…,h_t为编码器每时刻隐藏状态值，把最后一个隐藏层状态值作为编码向量C。O_encoder为编码器输出值，h_init为隐藏信息值，x′_t与x_embedding为同一值特征矩阵值。

道路化简模型中解码器的结构为：解码器部分采用单层GRU单元组成的循环神经网络；解码起始符号以编码输入序列第一个时序作为输入，终止符以输入序列最后一个时序为终点，设置统一阈值大小，生成序列在该阈值范围内则停止解码。

式中，w_Tanh为带Tanh激活函数的网络参数，w_decoder为GRU网络参数，w_attention为注意力机制网络参数，生成坐标经度和纬度，x_cat为编码语义信息与输入信息拼接信息，x_embedded为解码器输入特征矩阵，O_t为解码输出值，S_t为解码隐藏状态输出值，S_attention为注意力输出值，o_attention为注意力输出值，化简结果代表值。

由于道路数据序列化后序列长度较长，训练过程中容易导致语义信息丢失造成训练收敛难度增加，增加Attention机制缓减此问题。Seq2Seq模型加入Attention机制后，Encoder编码所有隐藏状态根据Decoder解码在不同时序的隐藏状态赋予不同相似度e_ij，因此在Decoder解码时在不同时序都会接受来自Encoder编码不同加权信息，从而使得Decoder解码在不同时序有着不同输入上下文信息。

即以解码器和编码器在对应时刻的隐藏状态的相似度作为权重，根据权重以及对应时刻的隐藏状态得到解码器在对应时刻的注意力隐藏状态，表示为：

式中，α_ij为Encoder编码在不同时序的权重，h_ij为Encoder编码隐藏状态，s′_i为Decoder在i时刻解码的注意力隐藏状态，T_x为序列长度，e_ij为Decoder解码i时刻隐藏状态与Encoder编码所有时刻隐藏状态的相似度，score为相邻点乘dot。W_c为注意力输出权值，c_i为不同时刻重要性值，s_i为解码器当前状态隐藏状态值，h_j为编码器隐藏状态值，e_ik为编码所有隐藏状态信息值。

最后，输入模型特征数为4，输出为数据点经、纬度，减少输出变量，使模型专注于位置坐标生成，提高网络的收敛能力。针对道路数据生成回归类模型，运用平均误差损失函数(MSE)、准确率(ACC)和训练耗时等方法评估模型准确度，表示为：

式中，y_i＝(lon_i,lat_i)为真实值，为化简值，n表示序列长度。MAPE为平均绝对百分比误差，ACC为准确率。

综上，本发明实施例考虑GRU模型在语言翻译中的应用，结合曲线由一系列节点组成，相邻节点构成弧段的特性，将道路序列化抽象看作是语言句，组成句子的字符对应相应的弧段，提取字符特征，通过模型实现大比例尺向小比例尺转换。获取不同比例尺的道路数据的匹配对、序列读取不一致性、构建专家案例数据库等算法，以编码器提取序列数据语义信息，以解码器与注意力机制生成数据点，以平均误差损失优化模型参数。本发明实施例利用神经网络具有自主学习特征性能，可克服人为的设定阈值的不足，同时综合考虑了特征之间的模糊关系，降低了时间成本，提高了化简效率，确保了参数设置的简便性和最优性。

应用智能算法及序列特征提取，充分考虑了特征属性之间及以外存在的模糊关系。从获取数据路网开始，数据预处理、数据库建立、方法模型搭建等步骤基本应用算法完成，减少人为的参与阈值设置，不存在分类点的提取、未充分考虑分类点提取的质量等问题。降低不同人员对同环境下同区域化简工作的参与。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于Seq2Seq模型的道路要素化简方法，其特征在于，该方法包括以下步骤：

获取大比例尺下的地图中道路数据的数据点，获取数据点对应的位置坐标，将相邻两个数据点之间的道路段记为弧段，根据数据点的位置坐标获取弧段的位置信息，构成道路的特征序列；将所述特征序列输入道路化简模型中，输出小比例尺下的地图中道路的特征序列；

所述道路化简模型的训练方法具体为：

所述道路化简模型为全连接层和GRU网络构建的Seq2Seq网络模型；分别获取大比例尺下和小比例尺下的地图中道路数据，将匹配的大小比例尺对应的道路数据构成匹配对；获取匹配对中大小比例尺对应的道路的特征序列，作为网络模型的训练数据集；

以匹配对中大比例尺对应的特征序列作为全连接层的输入，以匹配对中小比例尺对应的道路的特征序列作为解码器的输出，训练网络模型；通过全连接层将匹配对中大比例尺对应的特征序列嵌入高纬度特征后获得特征矩阵，并输入编码器，通过编码器进行编码获得语义信息，将语义信息输入解码器生成小比例尺对应的道路的位置数据；

其中，道路化简模型中编码器的结构为：模型编码部分使用由单层GRU单元组成的循环神经网络，输入数据特征通过2个Linear将特征属性维度嵌入至GRU输入维度，通过编码获取大比例尺道路数据序列上下文特征信息，并编码为抽象上下文向量C其表示为：

式中，w_relu为Linear带ReLU激活函数的网络参数；w_encoder为GRU网络参数；h₁,h₁,…,h_t为编码器每时刻隐藏状态值，把最后一个隐藏层状态值作为编码向量C；O_encoder为编码器输出值，h_init为隐藏信息值，x_t ^′与x_embedding为同一值特征矩阵值；

道路化简模型中解码器的结构为：解码器部分采用单层GRU单元组成的循环神经网络；解码起始符号以编码输入序列第一个时序作为输入，终止符以输入序列最后一个时序为终点，设置统一阈值大小，生成序列在该阈值范围内则停止解码；

式中，w_Tanh为带Tanh激活函数的网络参数，w_decoder为GRU网络参数，w_attention为注意力机制网络参数，生成坐标经度和纬度，x_cat为编码语义信息与输入信息拼接信息，x_embedded为解码器输入特征矩阵，O_t为解码输出值，S_t为解码隐藏状态输出值，S_attention为注意力输出值，o_attention为注意力输出值，化简结果代表值。

2.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述获取数据点对应的位置坐标具体为：数据点所在经度和维度构成数据点的坐标。

3.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述根据数据点的位置坐标获取弧段的位置信息，构成道路的特征序列具体为：弧段两个端点对应的数据点的位置坐标构成弧段的位置信息，道路数据中所有弧段的位置信息构成道路的特征序列。

4.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述将匹配的大小比例尺对应的道路数据构成匹配对具体为：

利用缓冲匹配算法，设置数据阈值，以小比例尺下的地图中道路数据为基准数据，自动获取匹配的大比例尺下的地图中的道路数据，将匹配的大小比例尺对应的道路数据构成匹配对。

5.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述特征矩阵的获取方法具体为：获取弧段中点的经度、弧段中点的纬度、弧段长度以及弧段的方位角，构成弧段的特征向量，道路中所有弧段的特征向量构成特征矩阵。

6.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述语义信息的获取方法具体为：

其中，r_t为重置门，z_t为更新门，n_t为当前所有状态信息值，h_t为当前时刻输出的状态信息值，x_t为当前时刻输入值，w_ir为重置门输入权重，b_ir为重置门输入偏值，w_hr为重置门隐藏状态权值，h_(t-1)为上一时刻隐藏状态信息，h_hr为重置门隐藏状态信息偏值，w_iz为更新门输入权重，b_iz为更新门输入偏置，w_hz为更新门隐藏状态权值，h_hz为更新门隐藏状态信息偏置，w_in为当前时刻输入权值，b_in为当前时刻输入偏置，w_hn为隐藏状态信息权重，b_hn为隐藏状态信息偏值。

7.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述道路化简模型还包括注意力机制，具体为：

以解码器和编码器在对应时刻的隐藏状态的相似度作为权重，根据权重以及对应时刻的隐藏状态得到解码器在对应时刻的注意力隐藏状态。

8.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，在将匹配的大小比例尺对应的道路数据构成匹配对后，所述方法还包括：

设置起点数据阈值和终点数据阈值，当匹配对中大小比例尺对应的道路数据中起始数据点对应的道路数据的差值大于起点数据阈值，且大小比例尺对应的道路数据中终止数据点对应的道路数据大于终点数据阈值时，改变匹配对中大比例尺或者小比例尺对应的道路数据的读取顺序。

9.根据权利要求1所述的一种基于Seq2Seq模型的道路要素化简方法，其特征在于，所述道路化简模型的损失函数为均方差损失函数。