EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 9: 1153 - 1159

DOI: https://doi.org/10.3724/SP.J.1047.2016.01153

地球信息科学理论与方法

基于人工神经网络的多特征因子路网匹配算法

  • 郭宁宁 ,
  • 盛业华 , * ,
  • 黄宝群 ,
  • 吕海洋 ,
  • 张思阳
展开
  • 1. 南京师范大学 虚拟地理环境教育部重点实验室,南京 210023
  • 2. 江苏省地理信息资源开发与利用协同创新中心,南京 210023
*通讯作者：盛业华（1965-）,男,博士,教授,研究方向为虚拟地理环境、空间数据插值方法。E-mail:

作者简介：郭宁宁(1989-),男,硕士生,研究方向为数据集成与地图更新。E-mail:

收稿日期: 2015-12-28

  要求修回日期: 2016-03-07

  网络出版日期: 2016-09-27

基金资助

国家自然科学基金项目（41271383、41471102）江苏省自然科学基金项目(BK20151547)

收起

Road Network Matching Considering Multiple Geometric Characteristics Based on the Artificial Neural Network

  • GUO Ningning ,
  • SHENG Yehua , * ,
  • HUANG Baoqun ,
  • LYU Haiyang ,
  • ZHANG Siyang
Expand
  • 1. Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210023, China2. Jiangsu Center for Collaborative Innovation in Geographic Information Resource Development and Application, Nanjing 210023, China
*Corresponding author: SHENG Yehua, E-mail:

Received date: 2015-12-28

  Request revised date: 2016-03-07

  Online published: 2016-09-27

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

在综合考虑多个特征因子的线要素匹配时,根据经验知识确定各特征因子的权值会造成人为误差。针对该问题,本文提出了基于人工神经网络的多特征因子路网匹配算法,根据线要素的几何和拓扑特性选取长度、方向、形状、距离及拓扑5个特征因子的相似度作为路网匹配参考因子。首先,分别在参考图层和待匹配图层中选取样本数据组成样本对,计算样本数据的5个特征因子相似度,用样本数据的5个特征因子相似度和样本的匹配度组成学习模式对;然后,利用BP神经网络的误差反向传播机制自动学习调整各神经层之间的连接权值;最后,输入全部数据,计算参考图层的弧段和待匹配图层的弧段间的匹配度,实现综合多特征因子的路网匹配。实验结果表明,利用人工神经网络进行综合多特征因子的路网匹配可以提高匹配效率和匹配准确度。

关键词： BP神经网络; 路网; 匹配; 多特征因子

本文引用格式

郭宁宁 , 盛业华 , 黄宝群 , 吕海洋 , 张思阳 . 基于人工神经网络的多特征因子路网匹配算法[J]. 地球信息科学学报, 2016 , 18(9) : 1153 -1159 . DOI: 10.3724/SP.J.1047.2016.01153

Abstract

The matching of line features is the premise and key technology of map conflation, which also plays an important role in change detection, digital map updating and map registration. To improve the accuracy of line feature matching, multiple geometrical characteristics and topological characteristics should be considered, such as distance, length, shape, orientation, node-degree and so on. It may produce errors when the weights of the characteristic factors are determined merely by experience. Therefore, to avoid this problem, a road network matching method considering multiple geometric characteristics based on the artificial neural network is proposed. Length similarity, orientation similarity, shape similarity, distance similarity and topological similarity (which is the node-degree similarity) are the five feature similarities discussed in this paper. They are the neurons of the input layer in BP (Back Propagation) neural network. To implement this method, first of all, samples of the reference layer and the adjustment layer are selected and the values of the five similarities for these samples are calculated. Secondly, the five feature similarities of these samples incorporating the matching rate are serving as the learning modes and are used to train the BP neural network. And the connection weights between the neural network and the threshold values of neurons are adjusted automatically. Next, buffers of the reference layer's arcs are generated. Arcs within the adjustment layer's buffers are defined as the candidate arcs. At last, the five feature similarities between each arc within the reference layer and its candidate arcs are calculated. Then, these similarities are put into the BP neural network to compute the matching rates of these arcs. If the matching rate is greater than 0.8, the relevant two arcs are regarded as an accurate matching; if the matching rate is less than 0.5, the relevant two arcs are considered to be bad matching; otherwise, they are considered to be less accurate matching which needs the interference of manual assistance to determine whether the two arcs match or not. Result shows that the adoption of BP neural network makes the road networks matching more efficient and accurate, and it avoids the assignment of proper weights to different geometrical characteristics at the same time.

Key words： BP neural network; road network; matching; multiple geometric characteristics

1 引言

矢量地图要素匹配源于地图合并（Map Conflation）,是地图合并的前提,也是其关键技术之一[1-4]。近年来,地图匹配为快速发展的网络电子地图的更新[5-6]、LBS（Location Based Services）的实时定位服务以及车辆导航[7-8]等提供了有力支撑。
矢量线要素是地图数据的重要组成部分,一直是地图匹配的研究热点。目前,线要素的匹配方法可分为基于几何相似度、基于拓扑关系、基于概率及基于属性字段匹配等。其中,基于属性字段的匹配对数据要求苛刻,往往只有来源相同的数据才能满足[9],因而此类方法只用作辅助匹配。在其他几类匹配方法中,分别采用基于线之间的距离、线围成的多边形面积、线段斜率等几何特征对要素间的几何相似度进行评判,实现线要素间的匹配[10-14]。赵彬彬[15]利用最小外接矩形和目标要素相交的方法寻找候选匹配集;郭黎[16]利用多步缓冲区方法,进行同名线实体的匹配,这2类方法可看成是基于拓扑关系的匹配。文献[17]采用基于路网的拓扑关系,根据城市不同区域路网密度不同,设置不同权重,以进行城市路网的匹配。Beeri[18]基于概率可信度对点状要素进行匹配;童小华[10]在Beeri研究的基础上,增加了形状、方向等匹配指标,提出基于概率理论的多指标融合的匹配方法。在确定候选匹配集的基础上,文献[19]-[21]采用概率松弛算法,考虑自身的几何相似性及邻接候选匹配路段的兼容性,迭代更新匹配概率,直至概率矩阵收敛,来确定最后的匹配结果。多源数据在基于几何特征因子相似度、拓扑特征因子相似度等多个匹配特征指标进行匹配时,需要对各个指标分配权值,然而这些指标的权值主要靠个人经验确定。由于不同的数据采集精度不同,匹配特征指标的权值也不同,仅依靠个人经验来确定权值会带来人为误差,影响匹配结果。人工神经网络具有自适应可学习的特点,可以解决人为设定阈值或权值的问题。文献[22]基于模糊神经网络进行车辆导航中的地图匹配,在匹配学习中采用了反向传播学习算法对神经网络进行训练。文献[23]在决策树节点上设置神经网络,对矢量地图更新中的变化信息进行提取。文献[24]在地下管线的匹配中引入支持向量机的分类方法对管点进行匹配。文献[25]在面状居民匹配中利用BP神经网络解决阈值、权值难准确量化的问题。
上述几种常用神经网络中,模糊神经网络可以利用模糊逻辑进行有效分类,但仍需要反向传播算法使网络具有自适应学习功能;支持向量机分类算法优点是可以基于内积核自动计算网络参数,也因此导致支持向量机的数据点总数目不能控制,再加上没有利用先验知识,造成类似的泛化性能弱于BP神经网络[26]。本文借鉴文献[23]-[24]采用多个特征因子作为网络输入层的方法,综合考虑道路网中弧段的几何特征的相似度和结点的拓扑特征的相似度等多个空间特征相似度,对多源城市道路网进行匹配。利用先验知识并通过误差反向传播方法对先验知识进行调整的特性,来解决BP神经网络计算中人为设置权值带来误差的问题。

2 基于BP神经网络的路网匹配

2.1 路网相似度特征因子

为了度量待匹配两弧段的相似性,本文定义了若干相似特征度量指标。
（1）长度相似度
参考弧段的几何长度和待匹配弧段的几何长度的相似程度。
S Length = min ( Len 1 , Len 2 ) max ( Len 1 , Len 2 ) （1）
式中： S Length 为长度相似度; Len 1 为参考弧段的几何长度; Len 2 为待匹配弧段的几何长度。 min ( ) 为求最小值函数, max ( ) 为求最大值函数。
（2）方向相似度
参考弧段首尾结点连线的方向角和待匹配弧段首尾结点连线的方向角的相似程度。
S Orientation = min ( Or i ref , Or i adj ) max ( Or i ref , Or i adj ) （2）
式中： S Orientation 为方向相似度; Or i ref 为参考弧段首尾结点连线的方向角; Or i adj 为待匹配弧段首尾结点连线的方向角。
（3）形状相似度
线要素的形状是对线的走向、长度等的综合描述。线要素之间的L2距离[27]的计算综合考虑线的位置、走向和长度等方面的特性,因此可用两线要素之间的L2距离衡量其形状相似度。本文参考文献[19],形状相似度的计算公式如式（3）-（4）所示。
S Shape = ∑ i = 1 M + N - 1 ( s i + 1 - s i ) ∙ ∂ ( X , Y ) （3）
∂ ( X , Y ) = min ( | | X | | , | | Y | | ) max ( | | X | | , | | Y | | ) × [ X ∙ Y ] | | X | | × | | Y | | （4）
式中： S Shape 为形状相似度; M 为参考弧段的节点数; N 为待匹配弧段的节点数; s i 为弧段第 i 个节点与起始节点之间的累计长度与弧段总长度的比; X 为参考弧段上第 i 个节点与第 i + 1 个节点组成的向量; Y 为待匹配弧段上第 i 个节点与第 i + 1 个节点组成的向量。
（4）距离相似度
参考弧段与待匹配弧段的距离相似程度,本文采用两线要素之间的Hausdorff距离进行评判,距离越近越相似。距离相似度公式如式（5）-（7）所示。
S Distance = D Hausdorff Radius （5）
D Hausdorff = max ( d h ( L ref , L adj ) , d h ( L adj , L ref ) ) （6）
d h ( L ref , L adj ) = max a ∈ L ref min b ∈ L adj d （ a , b ） （7）
式中： S Distance 为距离相似度; D Hausdorff 为参考弧段与待匹配弧段的Hausdorff距离;式（6）为Hausdorff距离计算公式;式（7）为计算两弧段的节点间的最小欧式距离的最大值; L ref 为参考弧段; L adj 为待匹配弧段; a 、 b 分别表示参考弧段和待匹配弧段上的节点。Radius为参考弧段生成的搜索缓冲区半径。
（5）拓扑相似度
参考弧段两端结点的结点度和待匹配弧段两端结点的结点度的相似程度。结点的结点度指该结点连接的弧段数,如图1所示,结点A和B的结点度分别为3和4。拓扑相似度公式如式（8）所示。
S Node - Degree = 0.5 × min ( Dgre e L ref 首 ， Dgre e L adj 首 ) max ( Dgre e L ref 首 ， Dgre e L adj 首 ) +
0.5 × min ( Dgre e L ref 尾 ， Dgre e L adj 尾 ) max ( Dgre e L ref 尾 ， Dgre e L adj 尾 ) （8）
式中： S Node - Degree 为拓扑相似度; Dgre e L ref 首 为参考弧段首结点的结点度; Dgre e L adj 首 为待匹配弧段首结点的结点度; Dgre e L ref 尾 为参考弧段尾结点的结点度; Dgre e L adj 尾 为待匹配弧段尾结点的结点度。
Fig.1 Illustration of node degree

图1 结点的结点度示意图

2.2 路网匹配中的BP神经网络

误差反向传播神经网络（Error Back Propagation BP）是一种采用有指导的学习方式进行训练和学习,通过反向传播来不断调整网络的连接权值和阈值,使网络的误差平方和最小的神经网络结构。典型的BP神经网络包含输入层、隐含层、输出层3层结构（图2）。在路网匹配中,BP神经网络输入层神经元为5个空间特征相似度指标（长度相似度、方向相似度、形状相似度、距离相似度、拓扑相似度）,隐含层采用Sigmoid函数作为激励函数,输出层的神经元节点数设为1,输出值为参考图层各弧段和待匹配图层各弧段间的匹配度。
Fig.2 Structure of BP neural network

图2 BP神经网络结构图

本文顾及长度相似度、方向相似度等5个空间特征的相似度指标,利用BP神经网络误差反向传播对先验知识进行调整的特点,构建基于BP神经网络的路网匹配算法。

3 基于BP神经网络的路网匹配策略

3.1 BP神经网络的训练策略

BP神经网络的训练是对网络各层的连接权值矩阵和阈值自主学习调整的过程（图3）。本文为提高神经网络的训练效率,引入经验知识给连接权值赋初始值,训练步骤如下：
（1）根据经验知识给连接权值矩阵赋初始值。选取的5个特征因子对路网匹配的影响程度不同,故权值有所偏重。例如,形状相似度权值大于长度相似度的权值、距离相似度权值取负值等。
（2）从参考路网和待匹配路网中选取样本对,计算样本对的5个特征因子值,并给出每对样本的匹配度,每对样本的5个特征因子值和匹配度是一个学习模式对。
（3）输入学习模式对,逐层调整连接权值和阈值。
（4）重复步骤（3）,直到满足训练次数或均方误差要求。
（5）训练结束,输出各连接权值矩阵和阈值。

3.2 路网匹配的策略

要素匹配是多源要素集中找到同名要素。为提高匹配效率,一般先对参考图层要素生成缓冲 区[16]或者最小外接矩形[15],然后根据缓冲区或最小外接矩形在待匹配图层中寻找候选匹配集,再用参考图层的要素和候选匹配集中要素逐一计算匹配度,匹配度最高的2个要素即为同名要素。本文使用缓冲区方法确定候选匹配集,缩小匹配范围,逐一计算参考弧段和候选集中的弧段的5个特征因子的相似度值,把特征因子相似度值计算结果输入训练好的神经网络模型,计算匹配度。对输出的匹配度值进行分类：（0.8,1]为精确匹配区间,可确认2个要素为同名要素;（0.5,0.8]为非精确匹配区间,需要人工判定两要素是否为同名要素;[0,0.5]为不匹配区间,可确认为非同名要素（图3）。
Fig.3 The flowchart of road network matching based on BP neural network

图3 BP神经网络路网匹配实验流程

4 实验及结果分析

本文利用ArcEngine 10.2在Visual Studio 2012 C#环境下实验本文给出的基于BP神经网络的多特征因子路网匹配算法及文献[19]所提算法。通过对2组数据进行实验,验证本文所提算法的匹配效果并与文献[19]所提算法进行对比分析。
实验1采用某区域不同年代的实测路网数据,如图4所示。其中,图4（a）为参考图层路网数据,有157条道路弧段;图4（b）为待匹配图层路网数据,有208条道路弧段。图4（c）为2期数据叠加后的结果,可看出2期数据在整体上吻合,但在部分区域存在明显偏移。
Fig.4 Matching result of two road networks within the same region

图4 同一区域道路网数据及路网匹配结果图

用本文算法对2份数据进行匹配,其中BP神经网络学习速率设为0.8,BP神经网络训练次数为 50 000次,均方误差小于等于0.01,完成路网匹配耗时13 s（包括样本训练时间）,匹配结果如图4（d）所示。图中紫色实线为参考图层道路网数据;绿色实线为待匹配图层中精确匹配上的道路数据;蓝色虚线为待匹配图层中需要人工判断是否匹配的道路数据。表1列举了需要人工判读是否匹配的路段的5个空间特征相似度指标及匹配度,可看出由于待匹配路段和参考路段在长度、方向、距离等空间特征上偏差较大,导致2个要素的匹配度较低,需要人工判读是否为同名要素,需要人工判读路段如图4（e）方框内所示。红色双虚线为待匹配图层中未匹配道路数据,这些道路与参考图层的数据相比为新增道路,如图4（f）所示。表2为路网匹配结果,其中精确匹配的道路占总数80.77%;需要人工协助判读的道路占总数2.88%;不匹配的道路占总数16.35%;只有2条弧段的匹配发生错误,数据匹配准确率为99.04%,可以满足匹配要求。用文献[19]所提算法对本组数据进行实验,最佳匹配概率阈值设为0.75时匹配的准确率最高,准确率为95%,完成路网匹配耗时25 s。
Tab.1 The detailed information of some uncertain matching segments that requiring the artificial interpretation

表1 需人工判读的路段匹配信息

待匹配弧段 参考弧段 长度相似度 方向相似度 形状相似度 距离相似度 拓扑相似度 匹配度
A129 B109 0.33 0.63 0.29 0.78 1.00 0.59
A207 B139 0.70 0.91 0.61 0.35 0.75 0.73
A123 B80 0.87 0.90 0.56 0.26 1.00 0.76
A79 B49 0.42 0.98 0.41 0.26 1.00 0.71
Tab.2 Matching result of two tests of road networks

表2 道路网匹配结果

实验组 数据总量 精确匹配 比例/（%） 非精确匹配 比例/（%） 不匹配 比例/（%） 漏匹配 误匹配 比例/（%） 准确率/（%）
实验1 207 168 80.77 6 2.88 34 16.15 0 2 0.96 99.04
实验2 332 315 94.88 16 4.82 1 0.30 0 6 1.81 98.19
实验2为南京市某块区域的路网数据,其中参考图层数据为专业矢量化路网数据,路段共402条;待匹配图层数据是从OSM（OpenStreetMap）下载的VGI路网数据,路段332条。由于VGI数据多为个人采集、上传,精度较差,待匹配路网中路段与参考图层路网同名路段偏移最大达119 m。选择候选匹配集时,缓冲区半径设为150 m。VGI数据只有该区域部分道路数据,与矢量化的路网数据相比数据不全。利用本文算法进行匹配,耗时14 s,匹配准确率为98.19%。图5为实验2路网匹配结果。与实验1相比,数据量增加60%,匹配耗时并未大幅增加,待匹配路网数据精度较差时,也可以达到很高的匹配准确率。
Fig.5 Matching result of road network matching in test 2

图5 实验二路网匹配结果图

从实验可看出,通过选取的样本对神经网络进行训练可以完成对待匹配道路网的分类工作,进而实现路网的匹配。同时,利用BP神经网络可以提高地图匹配的效率和准确率。

5 结论

基于多特征因子的地图匹配中,各特征因子的权值划分在较大程度上会影响匹配结果。以往算法通过经验知识确定权值,给匹配结果带来人为误差。本文利用BP神经网络可以在样本训练过程中不断调整权值的优势,综合考虑路网的几何、拓扑等特性,实现路网匹配。实验表明,BP神经网络具有很强的容错能力,当待匹配弧段和参考弧段偏移较大时,可很好地识别其为同名要素。同时,通过对样本数据的训练,反向调整连接权值和阈值,解决了人为确定权值和阈值会带来误差的难题。与基于概率模型的匹配算法相比,人工神经网络在路网匹配中效率更高。本文算法实现了1:1、1:N的匹配,下一步将开展更复杂的M:N类型匹配的研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张桥平,李德仁,龚健雅.地图合并技术[J].测绘通报,2001(7):6-8.地图合并技术是空间数据集成中的核心技术之一。讨论了地图合并技术的概念、功能、主要方法及典型应用 ,论述了地图合并技术研究的主要内容及发展方向

DOI

[ Zhang Q P, Li D R, Gong J Y.Map conflation[J]. Bulletin of Surveying and Mapping, 2001,7:6-8. ]

[2]
李德仁,龚健雅,张乔平.论地图数据库合并技术[J].测绘科学,2004,29(1):1-4.本文探讨了地图数据库合并技术的研究范畴、研究内容、一般数据处理流程以及与其他已有技术的关系等一些基本问题，并给出了一个简单应用实例，这些问题的研究丰富和完善了地图数据库合并技术的基本理论体系，对建立地图数据库合并的主要技术框架有着重要的意义。

DOI

[ Li D R, Gong J Y, Zhang Q P.On the conflation of geographic databases[J]. Science of Surveying and Mapping, 2004,29(1):1-4. ]

[3]
陈军,蒋捷,李志林,等.基础地理数据库的持续更新问题[J].地理信息世界,2004,2(5):1-5.本文分析了基础地理数据库更新的实际需求与研究现状,指出其持续更新过程中一系列与"初始建库"不同的理论、方法和关键技术问题,提出应不失时机地加强对主数据库增量数据建模方法、多源遥感影像与矢量化地图数据的自动配准、GIS集成环境下的重要基础地理要素变化信息的提取、多尺度地图数据库级联更新的自动综合方法、客户数据库的更新方法等的研究.

DOI

[ Chen J, Jiang J, Li Z L, et al.Key issues of continuous updating of geo-spatial databases[J]. Geomatics World, 2004,2(5):1-5. ]

[4]
Goodchild M F. Conflation: combining geographical information[EB/OL]. .

[5]
Kang H. Spatial data integration: a case study of map conflation with census bureau and local government data[EB/OL]. .

[6]
尹川,王艳慧.路网增量更新中基于OSTU的目标几何匹配阈值计算[J].武汉大学学报·信息科学版,2014,39(9):1061-1067.电子地图数据增量更新过程中的几何匹配是道路网目标匹配最常用的 方法之一，其中，阈值的选取是几何匹配能否准确完成的先决条件。针对目前常用的经验阈值方法存在的适应性差、误差大、精度低等不足，利用匹配叠置数据具有 多峰分布这一特性，本文提出了一种基于最大类间方差法（OSTU）的匹配阈值动态计算方法。实验结果表明，该方法得到的匹配阈值相对于经验阈值具有更好的 自适应性和准确性，并且算法简单、易于实现。

DOI

[ Yin C, Wang Y H.Target geometry matching threshold in incremental updating of road networks based on OSTU[J]. Geomatics and Information Science of Wuhan University, 2014,39(9):1061-1067. ]

[7]
徐敬海,李清泉.基于时态GIS的导航电子地图增量更新研究[J].武汉大学学报·信息科学版,2008,33(11):1182-1185.分析了导航地图数据增量更新过程的时态特征，通过应用时态GIS实现了增量更新过程的建模，提出了基于历史跨度的时空数据模型（history span based temporal-spatial model，HSBTM）。在此模型的支持下，推导了增量数据的计算公式，论述了历史跨度时空数据模型的简化表达和实现方法。

[ Xu J H, Li Q Q.Navigable digital map data increment update based on temporal GIS[J]. Geomatics and Information Science of Wuhan University, 2008,33(11):1182-1185. ]

[8]
Velaga N R, Quddus M A, Bristow A L.Developing an enhanced weight-based topological map-matching algorithm for intelligent transport systems[J]. Transportation Research Part C, 2009,17:672-683.Map-matching (MM) algorithms integrate positioning data from a Global Positioning System (or a number of other positioning sensors) with a spatial road map with the aim of identifying the road segment on which a user (or a vehicle) is travelling and the location on that segment. Amongst the family of MM algorithms consisting of geometric, topological, probabilistic and advanced, topological MM (tMM) algorithms are relatively simple, easy and quick, enabling them to be implemented in real-time. Therefore, a tMM algorithm is used in many navigation devices manufactured by industry. However, existing tMM algorithms have a number of limitations which affect their performance relative to advanced MM algorithms. This paper demonstrates that it is possible by addressing these issues to significantly improve the performance of a tMM algorithm. This paper describes the development of an enhanced weight-based tMM algorithm in which the weights are determined from real-world field data using an optimisation technique. Two new weights for turn-restriction at junctions and link connectivity are introduced to improve the performance of matching, especially at junctions. A new procedure is developed for the initial map-matching process. Two consistency checks are introduced to minimise mismatches. The enhanced map-matching algorithm was tested using field data from dense urban areas and suburban areas. The algorithm identified 96.8% and 95.93% of the links correctly for positioning data collected in urban areas of central London and Washington, DC, respectively. In case of suburban area, in the west of London, the algorithm succeeded with 96.71% correct link identification with a horizontal accuracy of 9.81聽m (2 蟽 ). This is superior to most existing topological MM algorithms and has the potential to support the navigation modules of many Intelligent Transport System (ITS) services.

DOI

[9]
Zhang M.Methods and implementations of road-network matching[D]. Doktorarbeit, 2009.

[10]
童小华,邓愫愫,史文中.基于概率的地图实体匹配方法[J].测绘学报,2007,36(2):210-217.数字地图合并是通过同名实体匹配和合并变换技术，调整相关地物实体的几何、属性等差异，实现同一地区不同来源地图数据的集成和融合。其中同名实体匹配是极为重要的第一步，也是一个存在大量不确定性的过程，匹配阈值的选取、实体非一对一的匹配关系是匹配中的关键难题，匹配效果不佳或出现错误匹配直接影响着后续合并结果的正确性。本文提出一种基于概率理论的匹配模型，该模型融合多种匹配指标，通过计算实体匹配概率大小来确定匹配实体。该方法避免了匹配指标精确阈值的选取，并且能够有效地解决匹配中非一对一的情况。

DOI

[ Tong X H, Deng S S, Shi W Z.A probabilistic theory-based matching method[J]. Acta Geodaetica et Cartographica Sinica, 2007,36(2):210-217. ]

[11]
鲁伟,谢顺平,邓敏,等.多源空间数据间不一致性研究现状及其进展[J].测绘科学,2009,34(4):57-60. [ Lu W, Xie S P, Deng M, et al. Research status and advance on multi-source spatial data inconsistency[J]. Science of Surveying and Mapping, 2009,34(4):57-60. ]空间数据质量已成为国际地理信 息系统领域的研究热点,近年来G IS空间数据质量的研究已由侧重于位置精度和属性精度转向对空间不一致性的关注和重视。本文在对多源空间数据间不一致性研究已有成果回顾的基础上,就空间 数据间不一致性的特征、表达方法、度量方法以及处理方法等几个方面进行了较为详细的分析,提出了一种新的空间线目标间不一致性的度量方法——几何接近度面 积度量法,并给出了度量公式及详细的推导过程;最后对多源空间数据间不一致性检测、度量和处理的智能化趋势进行了展望。

[12]
安晓亚,孙群,尉伯虎.利用相似性度量的不同比例尺地图数据网状要素匹配算法[J].武汉大学学报·信息科学版, 2012,37(2):224-228.提出了一种基于相似性度量的不同比例尺地图数据网状要素匹配算法。首先进行结点、弧段的粗匹配,然后利用结点-弧段拓扑关系的相似性和离散Fréchet距离进行精确匹配,匹配过程将几何、语义、拓扑、结点和弧段匹配有效结合起来,最后以可视化方式将不同匹配结果进行显示,以便人机交互。实验表明,该算法可有效地匹配各种复杂情况下的同名道路,并提高匹配的正确率和速度。

[ An X Y, Sun Q, Yu B H.Feature matching from network data at different scales based on similarity measure[J]. Geomatics and Information Science of Wuhan University, 2012,37(2):224-228. ]

[13]
郭黎,李宏伟,张泽建,等.道路网信息投影匹配方法研究[J].武汉大学学报·信息科学版,2013,38(9):1113-1117.针对道路网线要素特点,提出了基于投影的道路网信息几何匹配方 法.根据线段斜率,对线段进行投影、分割,提取线要素特征点,将复杂的道路网匹配转化为特征点匹配,可解决复杂的多对多匹配.通过渐进式的匹配策略,逐 步、快速缩小匹配范围,提高了匹配效率.通过实验合理地调整匹配阈值,减少漏匹配与误匹配,提高整体匹配准确率.结果表明,本算法效率高,可靠性好,符合 应用需求.

[ Guo L, Li H W, Zhang Z J, et al.Geometry matching method for transportation road network data based on projection[J]. Geomatics and Information Science of Wuhan University, 2013,38(09):1113-1117. ]

[14]
安晓亚,刘平芝,杨云,等.一种线状要素几何相似性度量方法及其应用[J].武汉大学学报·信息科学版,2015,40(9):1225-1229.基于传统离散Fréchet距离,提出了一种线状要素几何相似性度量方法。推导了基于递归迭代方法计算离散曲线Fréchet距离的计算公式,因传统Fréchet距离仅用一个点对之间的距离来度量相似性存在较大误差,提出了一种基于离散Fréchet距离识别曲线上点与点之间最短路径的方法,通过最短路径计算两条曲线间平均Fréchet距离,以平均Fréchet距离作为两曲线间的相似值。针对传统Fréchet距离不能解决一条曲线的部分与另一条完整曲线之间的相似匹配,基于平均Fréchet距离,提出了"部分-整体"Fréchet距离计算方法。将上述距离应用于地图数据匹配、合并及等高线内插中,取得了较好的效果。

DOI

[ An X Y, Liu P Z, Yang Y, et al.A geometric similarity measurement method and applications to linear feature[J]. Geomatics and Information Science of Wuhan University, 2015,40(9):1225-1229. ]

[15]
赵彬彬,邓敏,刘慧敏,等.多尺度地图的水系面目标与线目标匹配方法与实验[J].地球信息科学学报,2011,13(3):361-366.目标匹配是实现多比例尺地图数据变化探测和更新的一个关键技术,它是依据几何、拓扑、语义等来进行判断的。同一地物在多比例尺地图中表达方式各异,甚至差异很大,可将较大比例尺面目标与较小比例尺线目标间的匹配模式归纳为6种:1∶0、1∶1、0∶1、1∶M、N∶1和N∶M。本文通过计算较小比例尺线目标的最小约束矩形(简记为MBR),并对与该MBR交集非空的较大比例尺面目标进行分析判断,进而构建候选匹配集。在分析各匹配模式特点的基础上,通过提取较大比例尺面目标的中轴线并将其与较小比例尺线目标比较,建立相应判断规则,提出了一套较为完整的适用于多尺度矢量空间面目标与线目标之间的几何匹配解决方案。实验结果表明,本文所提方法是有效实用的。

DOI

[ Zhao B B, Deng M, Liu H M, et al.An approach to matching area objects and line objects of river system in multi-scale maps[J]. Journal of Geo-Information Science, 2011,13(3):361-366. ]

[16]
郭黎,崔铁军,张斌.道路网数据变化检测与融合处理技术[J].地理信息世界,2011(5):29-32.

DOI

[ Guo L, Cui T J, Zhang B.An recognition and fusion technology of transportation road network data[J]. Geomatics World, 2011,5:29-32. ]

[17]
Yang H, Cheng S, Jiang H, et al.An enhanced weight-based topological map matching algorithm for intricate urban road network[J]. Procedia-Social and Behavioral Sciences, 2013,96:1670-1678.Map-matching (MM) algorithms integrate positioning data with spatial road network data to identify the correct link on which a vehicle is travelling and determine the location of a vehicle on a link. There are four classes of MM algorithms, including geometric, topological, probabilistic and advanced. The topological map-matching (tMM) algorithms are relatively simple, easy and quick. Due to considering information of heading, proximity, link connectivity and turn-restriction weights, weight- based tMM algorithms are most robust and widely used tMM algorithms. As is known to all, a metropolis usually has intricate road network. And the urban road density has various performances in different parts of a metropolis鈥 urban area, which makes the weight scores used in tMM algorithm different. As a result, it can affect the accuracy of matched results. In this paper, the authors develop an enhanced weight-based tMM algorithm considering the urban road density. This algorithm was verified using actual taxi global positioning system (GPS) data collected in the urban area of Harbin, China, about 600 positioning points and a 1:80,000 scale digital map of Harbin. The results show that this enhanced weight-based tMM algorithm outperforms the base algorithm and has potential to support many applications of Intelligent Transport System (ITS) service.

DOI

[18]
Beeri C, Kanza Y, Safra E, et al.Object fusion in geographic information systems[C]. Proceedings of the 30th Conference on Very Large Data Bases, 2004:816-827.

[19]
赵东保,盛业华.全局寻优的矢量道路网自动匹配方法研究[J].测绘学报,2010,39(4):416-421.对道路之间存在1:N匹配关系的矢量道路网自动匹配问题进行研 究.针对现有方法中大多数是基于局部寻优策略来寻找匹配道路,当同名道路存在较大距离偏差.又存在1:N匹配关系时,很容易导致误匹配的问题,改局部寻优 策略为全局寻优策略,通过综合利用道路结点和道路弧段的特征信息,建立道路网匹配的最优化模型,并利用概率松弛法求解最优解,从而获得道路结点的匹配关 系,以此为基础再获得道路弧段之间的匹配关系.试验表明:本文方法更具全局一致性,具有较高的准确率;即使在同名道路存在较大位置偏差甚至是非均匀偏差 时,也可取得较为满意的结果,避免各种局部寻优方法难以准确设定权值的难题.

[ Zhao D B, Sheng Y H.Research on automatic matching of vector road networks based on global optimization[J]. Acta Geodaetica et Cartographica Sinica, 2010,39(4):416-421 ]

[20]
张云菲,杨必胜,栾学晨.利用概率松弛法的城市路网自动匹配[J].测绘学报,2012,41(6):933-939.<p>多源空间数据匹配是空间数据集成与互操作，变化检测与数据更新的重要前提。路网数据匹配在导航、智能交通和基于位置服务等领域具有重要的研究意义和实用价值。本文提出一种基于概率松弛方法的城市路网自动匹配方法，该方法首先通过路段间几何差异性估算候选路段的初始概率，然后根据邻接候选匹配路段的兼容性不断更新原概率矩阵直到收敛于某一极小值。最后基于收敛的概率矩阵计算各候选路段的结构相似性，并通过设定相应的规则选取和提炼1: 1, 1: M和M: N匹配对。实验选取中国武汉，瑞士苏黎世地区的OpenStreetMap数据与导航数据进行匹配算法的验证。结果表明：本文算法对非刚性偏差较大的路网数据能达到较高精度，不存在匹配方向性问题，且能够识别1: 0, 1: M和M: N匹配。</p>

[ Zhang Y F, Yang B S, Luan X C.Automated matching urban road networks using probabilistic relaxation[J]. Acta Geodaetica et Cartographica Sinica, 2012,41(6):933-939. ]

[21]
Yang B, Zhang Y, Luan X.A probabilistic relaxation approach for matching road networks[J]. International Journal of Geographical Information Science, 2013,27(2):319-338.Geospatial data matching is an important prerequisite for data integration, change detection and data updating. At present, crowdsourcing geospatial data are attracting considerable attention with its significant potential for timely and cost-effective updating of geospatial data and Geographical Information Science (GIS) applications. To integrate the available and up-to-date information of multi-source geospatial data, this article proposes a heuristic probabilistic relaxation road network matching method. The proposed method starts with an initial probabilistic matrix according to the dissimilarities in the shapes and then integrates the relative compatibility coefficient of neighbouring candidate pairs to iteratively update the initial probabilistic matrix until the probabilistic matrix is globally consistent. Finally, the initial 1:1 matching pairs are selected on the basis of probabilities that are calculated and refined on the basis of the structural similarity of the selected matching pairs. A process of matching is then implemented to find M:N matching pairs. Matching between OpenStreetMap network data and professional road network data shows that our method is independent of matching direction, successfully matches 1:0 (), 1:1 and M:N pairs, and achieves a robust matching precision of above 95%.

DOI

[22]
苏海滨,王光政,王继东.基于模糊神经网络的地图匹配算法[J].北京科技大学学报,2012,34(1):43-47.提出了基于模糊神经网络的新的地图匹配算法．该算法综合了数字道路信息和GPS／DR定位信息，提取两个重要参数作为输入变量，即定位点到候选路段的投影距离及定位航向与候选路段方位角差．设计出了四层模糊神经网络及改进的收敛学习规则．实验结果表明所提出的算法能很好地匹配车辆行驶路段位置．

[ Su H B, Wang G Z, Wang J D.Map matching algorithm based on fuzzy neural networks[J]. Journal of University of Science and Technology Beijing, 2012,34(1):43-47. ]

[23]
郭泰圣,张新长,梁志宇.神经网络决策树的矢量数据变化信息快速识别方法[J].测绘学报,2013,42(6):937-944.针对GIS数据更新中变化信息 的自动提取问题,提出基于神经网络决策树的变化信息快速识别方法。设计了基于四叉树的变化信息层次检测算法,通过比较对象的节点-弧段特征快速定位到变化 区域。以新旧要素的匹配特征为依据,通过神经网络决策树实现变化信息的识别,兼顾了决策树实现效率高和神经网络的自适应处理的特征。1∶2000地形图变 化信息识别试验结果表明:该方法计算效率高,能够准确快速地识别出变化信息,有助于提高GIS数据库的动态更新的自动化与智能化水平。

[ Guo T S, Zhang X C, Liang Z Y.Research on change information recognition method of vector data based on neural network decision tree[J]. Acta Geodaetica et Cartographica Sinica, 2013,42(6):937-944. ]

[24]
龚敏霞,袁赛,储征伟,等.顾及多空间相似性的地下管线数据匹配[J].测绘学报,2015,44(12):1392-1400.综合地下管线与专业地下管线是同一管线地物的两种表达形式。综合地下管线数据精准、概括;专业地下管线数据表达范围广、属性信息翔实。本文以天然气管线数据为例,选取管点关联管段分布形态作为衡量依据计算管线结构相似性,从管点本体概念名称和属性两方面计算管线语义相似性,以两管点间管段分布形态为特征计算管线形状相似性。以此空间相似性构建管点特征向量,采用SVM（support vector machine）支持向量机的分类方法及管点唯一匹配原则实现管点实体匹配。试验表明该算法能够有效解决管点匹配问题。

DOI

[ Gong M X, Yuan S, Chu Z W, et al.Underground pipeline data matching considering multiple spatial similarities[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(12):1392-1400. ]

[25]
许俊奎,武芳,魏慧峰.人工神经网络在居民地面状匹配中的应用[J].测绘科学技术学报,2014,30(3):293-298.

[ Xu J K, Wu F, Wei H F.Areal settlements matching algorithm based on artificial neural network technique[J]. Journal of Geomatics Science and Technology, 2014,30(3):293-298. ]

[26]
海金. 神经网络原理[M].叶世伟,史忠植,译.北京:机械工业出版社, 2004:229-247. [ Haykin S. Neural networks[M]. Beijing: China Machine Press,. ]

[27]
Saalfeld A.Automated map conflation[D]. Washington D C, US: The Unversity of Maryland, 1993.

Options
文章导航

/

〈 〉