CN116127330A - 一种路网语义相似性度量模型 - Google Patents

Abstract

本发明公开一种“整体(骨架树)→部分(同构子树)→个体(stroke)”的路网层次化语义相似性度量模型，包括以下四个流程：依次按照道路弧段名称、弧段等级、弧段夹角的优先级顺序，生成对应地路网stroke；按照stroke的等级和长度对其进行排序，并根据空间分级连接关系将其映射到树状结构中生成关联骨架树；在两关联骨架树中提取所有同构子树(结构相同、节点数量相等的子树)，直至某一骨架树为空集，进而生成同构子树集合；综合同构子树中stroke对的属性项语义信息、上下级空间拓扑语义信息和邻域要素语义信息，结合层次分析法和熵权法确定的指标权重，采用加权法计算其总相似性。该模型一方面顾忌了路网属性项特征、上下级空间拓扑特征和邻域要素特征3种语义信息，突破了传统模型仅以路网属性特征项的语义信息作为相似性评估指标的局限性；另一方面，该模型根据语义特点选择合适的方法确定权重，有效的减少了个人主观因素对评价结果的影响。总而言之，该模型不仅提高了语义相似性评估的准确性，而且还明显增强了其适用性，尤其是属性特征项语义信息缺失较多的路网数据。

Description

一种路网语义相似性度量模型

技术领域

本发明涉及路网匹配和地图综合领域，特别涉及一种顾忌路网属性特征、上下级空间拓扑特征和邻域要素特征的“整体(骨架树)→部分(同构子树)→个体(stroke)”的路网层次化语义相似性度量模型。

背景技术

路网是由不同等级和用途的道路通过一定的布局组成的网状道路系统。路网地理数据作为一个国家或地区的基础地理数据，不仅在军事、经济、运输等领域意义重大，而且在城市规划、数字城市、智慧城市等方面也发挥着非常重要的作用。当前，由于路网地理数据资源具有多源、异构、异质等特点，一定程度上影响着其空间数据的共享、融合等，尝试借助不同数据之间的相似性来解决该问题一直备受关注。此外，在地图制图综合过程中，相似性的定量计算也是准确、合理地定量表达多尺度路网的关键。

目前，路网语义相似性主要利用若干特征项的属性信息进行性评估。实际上，路网数据不仅属性特征丰富(如道路名称、道路等级、道路长度等)，而且分级层次结构明显(如高速公路、国道、省道、县道等)，综合利用属性特征语义和分级层次结构进行相似性评估显得更加自然、合理。此外，部分路网数据的属性信息不完整，甚至存在缺失的情况，这会或多或少影响相似性评估结果。然而，路网不是独立存在于地理环境之中，而是与邻域内其他地理实体相互联系、相互制约和相互渗透，除自身语义存在相似性外，其邻域内的其他地理实体也具备一定相似性，尤其是与道路密切相关的POI，故可以借助邻域内的POI语义信息相似性间接地评估路网的相似性，从而提高评估结果的准确性。

发明内容

在此背景下，针对现有路网语义相似性模型约束特征偏少、实用性受限等问题，提出一种顾忌路网属性特征、上下级空间拓扑特征和邻域要素特征的“整体(骨架树)→部分(同构子树)→个体(stroke)”的路网层次化语义相似性度量模型。该模型依次按照道路弧段的名称、等级和方向的优先级顺序生成路网stroke，基于骨架关联树表征路网层次结构特性，采用主客观综合法确定语义权重，借助同构子树并综合属性特征、空间拓扑特征和邻域要素特征3种语义加权计算stroke对的总相似性。其中，空间拓扑特征语义相似性根据当前stroke与其上、下级stroke的连接关系进行计算，邻域要素特征相似性根据stroke邻域内的POI强度进行计算。图1可以直观地反映该模型的构建原理，主要包括生成路网stroke、构建关联骨架树、生成同构子树、计算stroke对语义相似性。

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，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介绍，显而易见地，下面描述中的附图仅仅是本发明的示意图，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，还可以根据提供的附图获得其他的附图。

图1(a)和图1(b)分别为本发明提供的路网A和路网B经过stroke技术表达的路网stroke示意图。

图1(c)和图1(d)分别为本发明提供的A路网stroke和B路网stroke生成的关联骨架树示意图。

图1(e)为本发明提供的A路网stroke和B路网stroke提取的同构子树示意图。

图1(f)为本发明提供的同构子树中stroke对的相似性计算示意图。

图2为利用本发明提供的模型与既有文献推荐的模型进行路网匹配的结果对比图。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本发明作进一步的详细说明。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下步骤为路网stroke生成过程：

(1)基于路网数据生成对应的普通路网拓扑结构，分别求解弧段集合L＝{l₁，…，l_n}和节点集合P＝{p₁，…，p_m}。

(2)当节点p_i连接弧段l_i的数量超过1，则生成对应的连接候选集C＝{(l_i，l_p)，(l_i，l_q)，…，}和弧段夹角集A＝{α_ip，α_iq，…}。

(3)若元素(l_i，l_p)中两弧段名称均未缺失，判断l_i和l_p的弧段名称是否相同，相同则连接为同一stroke，并将C中的其他元素删除，同时返回至步骤(2)使i＝i+1，否则(即l_i、l_j弧段名称存在缺失)，转至步骤(4)。

(4)将l_p替换为l_q，继续执行步骤(3)，直至遍历完C中的所有元素，并转至步骤(5)。

(5)若元素(l_i，l_p)中两弧段的等级均未缺失，判断l_i和l_p的弧段等级是否相同，相同则连接为同一stroke，并将C中的其他元素删除，同时返回至步骤(2)使i＝i+1，否则(即l_i、l_j弧段等级存在缺失)，转至步骤(6)。

(6)将l_p替换为l_q，继续执行步骤(5)，直至遍历完C中的所有元素，并转至步骤(7)。

(7)设置夹角阈值[α]，在候选集C中选择α_ip≥[α]的一个连接，若存在多个α_ip≥[α]的连接，选择α_ip为最大的一个连接。

(8)根据弧段间stroke连接关系将L中的弧段进行分组，得到stroke集合S＝{s₁，…，s_m}，其中s_k＝{l_x，l_y，l_z，…}。

以下步骤为关联骨架树构建过程：

(1)依次按照stroke等级、长度对其进行排序，生成stroke有序集合S_order＝{s_Ⅰ-_i，…，s_Ⅱ-i，…，s_Ⅲ-i，…，s_Ⅳ-i，…，s_Ⅴ-i，…}，其中，下标Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ代表stroke等级(如高速、一级、二级、三级和四级)，下标i代表同级stroke中的顺序编号，同级stroke根据其长度进行排序。

(2)构建虚拟根节点，并将Ⅰ级stroke作为虚拟根节点的子节点，同理，将较低等级(即Ⅱ级)stroke作为Ⅰ级stroke的子节点，其他子节点按照同样的方法生成对应地子节点。如果当前子节点存在多个父节点，则将该子节点归属为序列最高的父节点。

(3)按照上述方法，直至所有叶节点生成完毕，与路网关联的完整骨架树便构建完成，如图1(a)-1(d)所示。

以下步骤为同构子树的生成过程：

(1)从初始关联骨架树A_i,tree和B_i,tree中，提取其结构相同、节点数量相等的最大子树(即最大同构子树)S_tree,1，并将其从初始关联骨架树中删除，得到剩余关联骨架树A_r,tree和B_r,tree；

(2)从两剩余关联骨架树A_r,tree和B_r,tree中，重新提取最大同构子树S_tree,2；

(3)返回至步骤(2)，直至某一骨架树为空集，生成同构子树集合S_tree＝{S_tree,1，S_tree,2，…，S_tree,n}。

以下内容为stroke对的语义相似性计算方法：

(1)路网总相似性按照stroke对的属性特征项语义相似性、上下级空间拓扑关联语义相似性、邻域要素特征语义相似性加权综合评估：

S(I_a,I_b)＝w_pS_p(I_a,I_b)+w_rS_r(I_a,I_b)+w_vS_v(I_a,I_b)   (1)

式中，I_a和I_b代表不同数据源或不同尺度下的stroke实例，S_p(I_a,I_b)代表属性特征项语义相似性，S_r(I_r,I_r)代表空间拓扑关联语义相似性，S_d(I_a,I_b)代表邻域要素特征语义相似性，w_p、w_r、w_v分别代表对应地语义权重，其大小与其特征集的相对重要程度有关，并满足w_p+w_r+w_v＝1.0。

(2)属性特征语义相似性通过字符型属性语义相似性、数值型属性语义相似性和枚举型属性语义相似性加权得到：

S_p(I_a,I_b)＝w_pcS_pc(I_a,I_b)+w_pnS_pn(I_a,I_b)+w_pgS_pg(I_a,I_b)   (2)

式中，w_pc、w_pn、w_pg为对应属性项的权重，满足w_pc+w_pn+w_pg＝1.0。

①字符型属性语义相似模型采用编辑距离法计算：

式中，Distance(I_a,I_b)分别代表两条stroke对应名称的编辑距离，L(I_a)和L(I_b)分别代表两条stroke对应名称的字符串长度。

②数值型属性语义相似模型采用下式计算：

式中，n_a和n_b分别代表两条stroke的长度，λ代表阈值。

③枚举型属性语义相似模型采用下式计算：

式中，f(g_a)和f(g_b)分别代表两条stroke对应排列序号，m代表序号最大值。

(3)为更好的反映路网的层次性，本发明中涉及的空间拓扑特指某一stroke与其上、下级stroke的连接关系，即当前stroke与较高和较低一级stroke的连接数量，其空间拓扑关联语义相似性可以表示为：

式中，

和

分别代表当前stroke对与其较高一级stroke的连接数量，

和

分别代表当前stroke对与其较低一级stroke的连接数量。

(4)地理实体并不是孤立存在于地理环境中，而是与其他地理实体相互联系、相互制约和相互渗透，尤其是邻域环境内的地理实体，其相互作用非常强烈，如路网与其周边的POI，除了路网自身具备良好的相似性外，其邻域环境中的POI也颇为相似。在路网语义相似性计算中，可能存在局部数据缺失的情况，致使其不足以通过自身相似性得到正确的结果，但可以通过邻域环境中的POI间接增强路网的语义相似性。本发明利用路网stroke缓冲区内的POI强度P_s相似性表征其邻域要素的语义相似性，即

式中，P_sa和P_sb分别代表两条stroke的POI强度，T_pi代表第i类POI数量，S_p代表stroke的缓冲区面积，w_pi代表第i类POI的权重。

以下内容权重计算方法：

本发明对于无法获取足够信息量的权重值，如w_p、w_r、w_v，采用主观赋权法确定(层次分析法)，其余权重采用客观赋权法(熵权法)确定。

为验证模型的准确性和可靠性，将本发明提供的模型与既有文献[赵云鹏,孙群,刘新贵,等.面向地理实体的语义相似性度量方法及其在道路匹配中的应用[J].武汉大学学报(信息科学版),2020,45(05):728-735.]推荐的模型应用在路网匹配中进行对比，试验数据为国家基础地理信息数据库中2015年和2019年1：100w的成都路网数据，对比结果如图2所示。很明显，本发明提供的模型查全率与查准率明显低于既有文献得到的结果，验证了本发明提供的模型的准确性和可靠性。

Claims (9)

1.一种路网语义相似性度量模型，其特征在于，包括：

从“整体(骨架树)→部分(同构子树)→个体(stroke)”的角度入手构建路网层次化语义相似性度量模型；该模型顾忌了路网的属性特征、上下级空间拓扑特征和邻域要素特征3种语义信息。

2.如权利要求1所述的路网语义相似性度量模型，其特征在于，包括：

利用stroke技术表达道路弧段；基于骨架关联树表征路网分级层次结构特性；采用主客观综合法确定语义权重；借助同构子树计算stroke对的相似度。

3.如权利要求2所述的路网语义相似性度量模型，其特征在于，根据道路弧段的名称、等级和夹角的优先级顺序生成路网stroke。

4.如权利要求2所述的路网语义相似性度量模型，其特征在于，根据路网stroke的等级和长度生成关联骨架树，进而表达路网分级层次结构特性。

5.如权利要求2所述的路网语义相似性度量模型，其特征在于，根据语义特点的不同采用层析分析法和熵权法确定语义权重。

6.如权利要求2所述的路网语义相似性度量模型，其特征在于，借助同构子树上的stroke对的特征项语义信息、上下级空间拓扑关联语义信息和邻域内POI强度计算其相似性。

7.如权利要求6所述的路网语义相似性度量模型，其特征在于，stroke对总相似性按照stroke的属性特征项语义相似性、上下级空间拓扑关联语义相似性、邻域要素特征语义相似性加权综合评估：

S(I_a,I_b)＝w_pS_p(I_a,I_b)+w_rS_r(I_a,I_b)+w_vS_v(I_a,I_b)               (1)

式中，I_a和I_b代表不同数据源或不同尺度下的stroke实例，S_p(I_a,I_b)代表属性特征项语义相似性，S_r(I_r,I_r)代表空间拓扑关联语义相似性，S_d(I_a,I_b)代表邻域要素特征语义相似性，w_p、w_r、w_v分别代表对应地语义权重，其大小与其特征集的相对重要程度有关，并满足w_p+w_r+w_v＝1.0。

8.如权利要求6所述的路网语义相似性度量模型，其特征在于，空间拓扑关联语义相似性可以表示为：

式中，

和

分别代表当前stroke对与其较高一级stroke的连接数量，

和

分别代表当前stroke对与其较低一级stroke的连接数量。

9.如权利要求6所述的路网语义相似性度量模型，其特征在于，POI强度P_s相似性表示为：

式中，P_sa和P_sb分别代表两条stroke的POI强度，T_pi代表第i类POI数量，S_p代表stroke的缓冲区面积，w_pi代表第i类POI的权重。

Images