一种生成式神经网络的道路简化方法

道路数据具有数量大、变化频率高的特点,是地理空间数据的重要组成部分,道路要素化简也是地图制图综合和空间数据更新的核心技术环节之一。传统方法基于数据点压缩、弯曲识别和现有机器学习算法在道路化简中存在稳定性差、可控性弱,自动化程度低等问题,本文在视觉思维和句法模式相结合的理论基础上,利用深度学习算法的特征挖掘能力将生成式人工神经网络模型引入道路化简领域。首先,将需化简道路数据转化为序列数据,提取其序列特征,以此构造特征数据集;然后,利用门控循环单元(gated recurrent unit,GRU)神经网络构建的Seq2Seq编码模型,将大比例尺道路数据进行嵌入形成高维语义编码,通过对语义编码的解码生成化简后的小比例尺道路数据;最后,根据弧段压缩率、长度变化率、曲线折度、缓冲区限差4个指标评估模型有效性和适用性。通过试验与传统算法对比试验表明,本文模型可应用到道路形状化简中,丰富道路化简方法,促进地图制图综合智能化发展。

基于有向属性关系图的典型道路交叉口结构识别方法

提出采用有向属性关系图描述道路交叉口结构,形成典型道路交叉口结构模板库。通过将道路网矢量表示转化成有向属性关系图表示,采用图匹配技术识别道路网中的典型交叉口。实现有关算法,通过试验验证该方法的有效性,并分析其局限性和适用范围。该方法可在基于结构的交叉口简化过程中用于典型交叉口结构识别。

计及分时电价及交通情况的电动汽车最优出行路径规划算法

随着电动汽车的普及,电动汽车的车主们对于出行路径规划的需求日益增加。一种计及分时电价及交通工况的电动汽车最优出行路径规划算法,通过出行路径上的充电站电价及道路交通情况,构建道路简化模型和最优路径规划模型,实现实时的电动汽车最优路径规划。该算法可实际应用于电动汽车的智能终端上,引导用户经济可靠地驾车出行。

城市道路网的多尺度连续变换方法

本文提出了一种多比例尺道路网的连续变换方法,旨在解决在信息化大地图环境下城市道路网的多尺度连续表达需求。该方法首先对2种比例尺的道路网数据进行拓扑重建预处理,然后利用概率松弛匹配方法识别二者的要素对应关系。根据要素对应表,将2种比例尺道路要素分为1:1对应线状要素、1:0单独线状要素和M:N复杂线状要素3种情况:(1)对于1:1对应线状要素,本文采用简单线性Morphing变换方法;(2)对于1:0单独线状要素,首先对道路要素的直角特征进行识别,并定义直角及其前后一定范围内的线段为直角子线段,在此基础上,利用Douglas-Peucker算法将分割后的道路要素进一步分割,然后将直角子线段的起点和终点作为断点切割原道路要素,以顶点连续移位的方式实现连续综合变换;(3)对于M:N复杂线状要素,采用渲染颜色逐渐淡出的方法进行连续表达。最后,将3种情况的连续变换结果进行叠加组合。实验结果表明,本文方法能够获得良好的多尺度连续表达效果。