基于路划网络功能评价的道路选取方法

提出以路划为选取单元以路划网络功能为选取指标的道路选取方法,路划网络功能的衡量指标综合考虑了中心度、连接度、长度等因素,由网络分析获得;选取的道路通过基于图论的逐步搜索保持连通性和规模最小;采用多种结构形态的实际城市局部路网、整体路网进行试验,结果表明该方法能较好地保持路网的整体结构、局部典型结构和道路连通性,适用于各种形态的路网,较常规的基于路划长度的选取方法具有明显优势。

道路网层次骨架控制的道路选取方法

提出了基于路网层次骨架控制的道路自动选取方法。首先,该方法以stroke为单位,利用中介中心性值对stroke进行层次结构划分;其次,采用结构特征识别完善道路层次骨架;第三,基于层次骨架间的连通关系建立逐层传递的stroke重要性计算模型;最后,通过该计算模型自上而下的逐层计算,得到stroke重要性,并据此完成道路网选取。采用3种典型道路网数据,对本方法与其他主要常规stroke选取方法进行对比,试验结果表明本方法不但对语义的依赖性极低,同时消除了中介中心性在评价道路重要性时对边缘道路的不利影响,在保持道路网整体结构和层次性上有较为明显的优势,可适用于各种形态的道路网选取。

集成不同类型特征的城市道路选取方法研究

道路选取是进行道路网地图综合及多尺度表达时的基础。现有的道路选取方法大多是以道路的语义特征和几何特征作为道路选取的依据,较少考虑道路的拓扑特征。基于此,该文以城市道路网为例,综合考虑道路的语义特征、几何特征和拓扑特征,并以道路综合性能作为城市道路选取的依据,提出一种城市道路选取的新方法。通过实例分析,验证了该方法的有效性。

基于拓扑结构分形维的道路选取方法

计算了复杂网络中单个节点的信息维数、体积维数和度体积维数,提出一种基于结构分形维的道路选取方法,考虑了道路网连通方式的多样性与差异性特征。实验结果表明,相比基于路划长度、中介中心性、邻近中心性、度中心性4种单指标道路选取模型,该方法能更好地保持路网整体结构、局部关键特征和拓扑连通性;并且与相应标准比例尺地图保持更高的一致性。

道路密度分区及其在道路选取质量评价中的应用

道路密度信息广泛应用于景观分析、路网规划、城市边界提取与道路网综合等领域。提出了一种道路密度分区方法,该方法首先生成道路交叉点和端点的Voronoi图,然后运用G*i提取局部的Voronoi单元面积的高值聚集区与低值聚集区,最后将95%置信度下的高值区域和低值区域对应的相邻Voronoi单元合并。对Google地图上14级、13级和12级香港的道路网进行了实证研究,结果表明,该方法生成的密度分区大致反映了道路网的疏密,并较好地反映了选取前后各区域道路密度的对比规律。将本文方法与网格密度法进行对比,结果表明本文方法优于网格密度法。

两种道路选取策略的比较研究

道路选取是根据比例尺的要求,在道路网中保留相对重要道路、舍弃相对次要道路的地图综合操作。从概念层和操作层对两种不同的道路选取策略进行了比较。一种是删除后更新策略,即删除一条道路后更新其他道路的重要度;另一种是删除后不更新策略,即删除一条道路后不更新其他道路的重要度。以常用的stroke重要度排序法为道路选取方法,运用长度、连通度、接近度和中介度的加权来描述道路的重要度,采用相似性、误删率、漏删率等定量指标以及定性的目视判别评价选取结果。以深圳市1∶1万道路网和1∶5万道路网作为研究数据进行了实验。理论上删除后更新策略优于删除后不更新策略,然而实证表明删除后不更新策略在常用定量评价指标上优于删除后更新策略,在定性评价方面则各有优劣。

多源道路智能选取的本体知识推理方法

大数据时代道路数据来源日益增多,跨数据源的道路选取面临巨大挑战。本文针对数据语义不一致问题,提出一种基于本体知识推理的多源道路选取方法。首先,将1∶5万基本比例尺地形图道路数据作为基础案例,将四维图新导航电子地图和开放街道地图中的道路数据作为试验数据,基于stroke计算道路等级、长度、连通度、接近度、中介度特征项,提取特征项概念并构建本体;然后,从语义特征项和数值特征项两方面计算本体概念相似性,建立基础案例与试验数据间的关联关系;最后,基于本体和语义网规则语言定义本体通用、语义特征、数值特征三类选取规则,实现跨数据源道路选取的过程性知识推理。试验表明,本文方法可基于本体概念相似性度量消除语义差异,同时利用语义网规则语言进行知识推理,可实现多源道路数据向基本比例尺数据的智能选取。

POI辅助下的道路选取

针对已有的道路选取方法主要考虑道路的几何和拓扑信息,而未考虑道路邻接的设施点对道路的重要性影响,该文利用POI数据,提出一种顾及道路的几何、拓扑和邻接设施点信息的道路选取方法。该方法借助德尔菲法为不同类型POI打分构建道路上下文特征指标,将其与描述道路结构特征的指标整合求得道路重要性值,进而按照方根模型选取排名在前的道路组成选取后的路网。实验结果表明本文方法选取的路网在保持了原始路网的整体结构、密度分布及连通性的同时,较好地顾及了道路上下文设施对道路重要性的影响。

道路网选取的案例与本体推理方法

道路网选取是一个模糊决策过程,针对当前制图综合案例推理算法中容易出现噪声和冲突、部分结果需人工参与决策等问题,本文以本体技术为基础,提出一种利用本体组织案例并进行知识推理的道路网选取方法。首先,从已有系列比例尺数据中提取案例,并基于三元法进行形式化描述;其次,以案例数据为中心构建本体知识库,重新组织案例表达方式;然后,利用本体规则扩展,识别并消除案例库中的噪声和冲突;最后,通过语义映射和图查询等推理手段,建立待选取数据语义、几何特征与本体知识库的映射关系,实现道路网自动选取。试验表明,该方法可有效还原专家知识,降低决策难度,促进道路网选取向知识推理方向发展。

基于RBF神经网络的OSM道路网智能选取

针对目前自动制图综合方法在软件平台没有普及,电子地图仍以人工编制为主,Open Street Map(简称OSM)道路不适合作为标准地图等问题,提出了一种将径向基函数神经网络(Radial Basis Function, RBF)应用在OSM道路网自动选取中的方法。根据多种常用的语义、几何、拓扑参数综合考虑道路网的重要性,并将该算法在系统平台中加以实现,以期为OSM道路网自动选取的精度提高和应用普及提供解决方案。实验结果与实际制图结果在形状结构上保持良好,精度为86.92%,相较于BP(Back Propagation)神经网络算法的效果有所提高。

顾及道路目标stroke特征保持的路网自动综合方法

地图综合中道路网选取通常要考虑道路的属性等级、几何形状、分布密度、通达性等,常规方法只能顾及部分指标评价对象(弧段、节点或网眼)的重要性,在此基础上按照'资格'法线性选取,由于缺乏顾及道路网空间分布信息的有效手段,造成原有空间分布特征被破坏。本研究将描述道路完整地理意义的stroke特征引入选取过程中,提出一种顾及道路目标stroke特征保持的路网选取方法,即构建道路网stroke特征并评价重要性,在按stroke重要性线性选取的基础上增加约束条件,包括等级约束条件和空间邻近关系约束条件,从而将空间分布信息与属性、几何及拓扑信息有效地结合在一起。试验表明,该方法保留重要道路目标的同时,也较好地保持了原有空间分布特征。

基于多参数知识系统的道路网选取研究

知识系统是道路网选取的关键,知识系统的构建对于道路网选取的结果有着至关重要的影响。该文结合OSM(Open Street Map)道路网数据和深度学习框架中的循环神经网络,构建了不同的道路网选取参数系统,分别对上海市1:250000的OSM道路网进行选取。对试验结果进行比较发现,多参数的知识系统有益于提升道路网的选取效果,7参数的知识系统的选取精度比4参数知识系统的选取精度高了5%。

面向地图综合的VGI道路网重要度层次分解选取方法研究

自发地理信息数据具有现势性好、覆盖范围广、信息丰富、获取方便等特点,可作为全球范围内地理信息数据生产与更新的良好数据资料。但是由于数据的无尺度特性,导致自发地理信息道路数据细节过于繁杂,难以直接应用于生产。现有道路网自动选取算法在计算道路重要度时,对所有待选取道路的重要性进行排序,并依据重要性从大到小依次选取。这种方法忽略了选取过程中,道路网结构变化对道路重要性的影响。为此,本文提出了一种基于重要度层次分解的道路网自动选取算法,该方法针对自发地理信息道路网细节繁杂的特点,根据地图数据制图综合时逐级缩编的思路,采用基于层次分解的选取策略进行道路网选取:首先计算所有节点的重要度,然后剔除重要度最小的一些道路节点,并重新计算新的所有节点的重要度,重复上述步骤,直至所有道路节点排序完毕,从而可获得所有道路的重要性排序并完成道路网选取。利用开放街道地图道路网数据进行实验,实验结果表明本文算法选取结果优于网络中心性方法。

基于路段重要度评价的道路网自动制图综合研究

道路网自动综合是G IS研究的重要基础理论问题。顾及道路重要性对路网制图综合的影响，采用基于对偶拓扑的复杂网络理论构建城市路网对偶拓扑模型，并基于该路网模型建立路段重要度评价方法，进而提出一种基于路段重要度评价的路网自动制图综合方法。实验表明，该方法能够有效地完成不同比例尺下路网的自动综合。

基于路段重要度评价的道路网自动制图综合研究

道路网自动综合是GIS研究的重要基础理论问题。顾及道路重要性对路网制图综合的影响,采用基于对偶拓扑的复杂网络理论构建城市路网对偶拓扑模型,并基于该路网模型建立路段重要度评价方法,进而提出一种基于路段重要度评价的路网自动制图综合方法。实验表明,该方法能够有效地完成不同比例尺下路网的自动综合。

基于深度学习的OSM道路网自动提取研究

针对当下道路网信息自动提取困难,智能化选取方法大大减少了人工提取工作量的现状,该文结合OSM(Open Street Map)道路网数据,基于深度学习,构建了OSM道路网深度学习智能选取模型,根据OSM道路网的特点和应用要求,建立了相应的道路网选取知识系统以及RNN(Recurrent Neural Network)网络模型。实验结果表明,RNN模型可以大大提高当前人工选取道路网的效率,并且可以达到较高的实验精度,对于道路网原有的结构也保持较好。

对偶图节点重要度的道路网自动选取方法

采用对偶拓扑方法构建基于广义路网拓扑的对偶图,通过引入m阶邻居节点概念,考虑对偶图中节点度、介中心及节点间距离等因素,顾及节点自身及1到m阶邻居节点的重要度贡献,定义节点重要度评价模型,进而提出一种基于对偶图节点重要度评价的道路网自动选取方法。为检验方法的有效性,引入度分布评价所选取道路对路网整体结构及拓扑特性的保持程度,并采用实际城市路网进行试验,结果表明本文方法选取的路网能较好地保持原始路网的整体结构、拓扑特性及道路连通性,且算法稳定、可靠。

加权网页排序算法在道路网自动选取中的应用

针对现有算法在计算道路网节点重要度时忽略节点间的相互影响以及道路密度引起的重要度异常等问题,提出了一种基于加权网页排序算法的道路网自动提取方法。首先将道路连接成路段,以路段为网络节点,道路交叉作为节点连线,路段长度作为边的权重,将道路网抽象成有向有权图;然后利用加权网页排序算法计算有向有权图节点的重要度,并利用链接作弊检测的方法修正由道路密度引起的节点重要度异常,得到道路节点的最终重要度排序,从而完成道路网的提取。通过真实路网数据进行实验分析,结果表明,相对基于网络中心性的方法,该算法的提取结果能够更好地保留原始路网的密度差异和整体结构。

顾及结构和几何特征的道路自动选取方法

提出了一种顾及结构和几何特征的道路网自动选取方法。综合考虑道路的度中心性、集聚系数和路划的几何长度等道路选取影响因素,提出一种道路重要性评价方法。实验结果表明,本文方法能够很好地保持选取道路网的整体与局部结构、拓扑结构以及路网连通性。基于该方法,由大比例尺地图选取出的小比例尺地图与相应标准比例尺地图保持较高的一致性,表明该方法是稳定可靠的。

结合引力场理论的道路自动选取方法

针对复杂网络模型被广泛应用于道路选取的研究中,少有方法顾及道路网对偶图中多级邻居节点的影响,导致对道路的重要性评价缺乏准确性和可靠性的问题。该文将道路网对偶图节点的结构特征值视作质量,将节点间的最短距离视作距离,结合引力场方程实现道路自动选取,较好地将道路网对偶图中多级邻居节点的影响纳入到道路重要性的计算中,从而实现对道路重要性的准确评估。通过对兰州市城关区的路网进行实验,结果表明本文方法所选取的路网较好地保持了原始道路网的整体结构、覆盖范围、密度分布、拓扑特征和连通性。