基于图卷积神经网络的道路网匹配

技术领域

本发明涉及道路网匹配领域，更具体地说是涉及一种基于图卷积神经网络的道路网匹配方法。

背景技术

数字化的道路数据是对实体道路的抽象化表达，是基础地理数据库重要的组成部分之一，随着道路的不断变化，道路网数据的快速更新成为一个亟待解决的问题，而道路网匹配是道路网数据变化检测和增量式更新的前提与关键技术，更是实现地图自动综合的必然要求。

道路网匹配一般通过计算道路的几何相似性和语义相似性进行匹配。(1)基于语义相似性的匹配方法。该类方法主要通过计算线要素之间的语义相似性进行道路网匹配。其很大程度上依赖于属性信息的唯一性，而多源道路数据往往缺少具有唯一性的属性信息。因而此类方法只能用于辅助匹配。(2)基于几何相似性的匹配方法。该类方法通过计算线要素之间的几何相似性进行道路网匹配。几何相似性包括方向、距离、形状和拓扑关系等相似性度量指标。通常选取其中的一种或多种相似性度量指标，确定指标之间的权重组合，选择合适的相似度匹配阈值，完成道路网的匹配。该类方法通常采用主观赋权法进行相似性指标的权重组合和匹配阈值的确定，对匹配结果有较大的影响。

图卷积神经网络(GCN)是目前最常用的图数据深度学习网络，具有自动提取局部空间特征的能力，从而减少了人工特征工程的构建过程，实现了数据端到端的预测。目前，GCN在道路网模式识别领域得到了重要的应用。

鉴于此，本文针对现有道路网匹配方法中相似性度量因子之间的权值分配和匹配阈值确定方法的不足，结合图卷积神经网络，提出一种道路网匹配方法。

发明内容

本发明提出一种结合图卷积神经网络的道路网匹配方法，将待匹配道路网数据转化为对偶图，利用对偶图将道路构建为图结构数据，将节点所代表的两条道路是否为匹配道路作为标签输入GCN模型中进行训练，完成道路网的匹配。本发明主要包括几何相似性度量指标的选取、基于图卷积神经网络的道路网匹配模型的构建以及实验评价三部分：

(1)几何相似性度量指标的选取。选取长度相似性、方向相似性、距离相似性和拓扑相似性四个相似性度量因子作为后续道路网匹配模型的特征因子。

(2)基于图卷积神经网络的道路网匹配模型的构建。首先采用节点数量约束下的缓冲区增长法来确定待匹配道路的候选匹配集，构建基于图卷积神经网络的道路网匹配模型，然后通过将道路网数据转化为图结构数据，将数据打好标签后输入模型，对模型不断进行训练与测试，使模型达到收敛。最后利用图卷积神经网络的反向传播机制确定特征因子之间的权重关系。

(3)实验评价。选取同尺度与不同尺度的两种道路类型的道路网数据进行匹配实验，采用准确率、召回率以及准确率和召回率的调和平均值F值对道路网数据的匹配结果进行评价，来验证本方法的合理性和普适性。

本发明提出的结合图卷积神经网络的道路网匹配方法可以自动对相似性度量因子进行权重的赋值，有效降低了由主观赋值所带来的匹配错误，提高了匹配精度，并且可以自动进行匹配阈值的确定，不需要人为设定初始匹配阈值并经过反复试验调整阈值，提高了匹配效率。

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为本发明提供的基于图卷积神经网络的道路网匹配方法流程图。

图2为本发明提供的候选集确定流程图。

图3为本发明提供的有向Hausdorff示意图。

图4为本发明提供的方向角示意图。

图5为本发明提供的道路A、B和对偶图C。

图6为本发明提供的节点分类的GCN模型。

图7为本发明提供的模型训练流程图。

图8为本发明提供的不同卷积核数和卷积层数对的匹配结果。

图9为本发明提供的GCN匹配模型框架。

图10为本发明提供的同尺度方格网式道路。

图11为本发明提供的同尺度环状放射道路。

图12为本发明提供的同尺度匹配实验的损失与准确度变化图。

图13为本发明提供的同尺度道路网匹配结果。

图14为本发明提供的多尺度方格网式道路。

图15为本发明提供的多尺度环状放射道路。

图16为本发明提供的多尺度匹配实验的损失与准确度变化图。

图17为本发明提供的多尺度道路网匹配结果。

表1为节点连通度。

表2为同尺度道路网匹配结果。

表3为多尺度道路网匹配结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述地实施例仅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。

本发明实施例公开了一种结合图卷积神经网络的道路网匹配方法，包括：

1.数据预处理：

Step1：将获取的数据使用ArcGIS进行拓扑检测和属性表检查等人工方法对重复路段，孤立路段进行删除，统一两个地图数据的坐标系。

Step2：可匹配道路进行节点数量的检查，为满足后续对待匹配路段和参考路段进行图结构构建，需要在不影响道路整体结构的前提下对道路进行增加或删除节点的处理，使节点的数量达成一致。

Step3：利用缓冲区增长法确定待匹配道路的候选匹配集。匹配候选集A的构建过程如图2所示。首先从待匹配道路开始在参考数据集上构建半径为25m的缓冲区，将被缓冲区包含的道路加入到匹配候选集B中，对候选集B中的道路进行节点数量的计算，选择节点数量与待匹配道路相同的候选道路加入到候选匹配集A中，否则扩大候选集B的范围，将缓冲区的半径增加5m，把所有符合条件的候选道路添加到候选集A中，当缓冲区的半径大于100m时仍然没有符合条件的候选道路，将该待匹配道路输出到无匹配集中，等所有待匹配道路都完成候选集的确定后，对无匹配集中的对象进行全局遍历，构建候选匹配集。

2.几何相似性度量指标的选取：

Step4：长度相似性计算：参考路段的几何长度和待匹配路段的几何长度的相似程度。公式如下：

式中，S

Step5：距离相似性计算：参考路段与待匹配路段的距离相似程度，本文采用两线要素之间的有向Hausdorff距离进行计算，如图3所示，距离越近相似度越高。其计算方法为对于待匹配道路A上的节点集合P(p

式中，D

Step6：方向相似性计算：参考路段和待匹配路段在道路走向上的相似程度，采用方向角来计算方向的相似程度，如图4所示。计算公式如式(3)所示。

式中，S

Step7：拓扑相似性计算：本文采用节点连通度对拓扑相似性进行描述。节点的连通度即道路节点关联弧段的数量，节点的连通度示意图如表1所示。公式如式(4)所示。

式中，S

3.道路网匹配：

Step8：将待匹配道路和候选匹配集中道路所对应路段的四个相似性度量因子的相似度，即计算的长度相似度、距离相似度、方向相似度和拓扑相似度作为提取的特征。

Step9：构建对偶图：将匹配候选集转化为对偶图，把道路的路段作为图的节点，路段之间的连接关系作为图的边。两个数据集中待判断是否匹配的道路抽象表示在一张对偶图上，每个节点所提取的特征因子即是两条道路之间的相似性度量。如图5所示，将待匹配道路A和参考道路B抽象为一个对偶图C。其中，C

Step10：并对对偶图的节点打标签，0代表对偶图所对应的两条道路是不匹配道路，反之，1代表对偶图所代表的两条道路是匹配道路。本实验中道路网匹配任务的标注、输入和输出如下所示：

标注：y∈{0,1}，标签值为1则说明该对偶图所对应的两条道路是匹配道路，反之，若标签值为0则说明该对偶图所对应的两条道路是不匹配道路。

输入：将数据集转化为对偶图，把道路的路段作为图的节点，连接关系作为图的边，最终得到的道路网图模型G＝(V,E,A)，每个图模型都包含N个节点，每个节点都有4个计算特征值{f

输出：

Step11：本实验模型分为三个部分，输入层、卷积层和输出层，模型如图6所示。

Step12：基于图卷积网络的道路网匹配模型的训练流程图如图7所示。选取不同卷积层数和不同的卷积核所得到的匹配精度和曲线拟合速度不同进行综合分析，结果如图8所示，本实验使用的图卷积模型是由4个卷积层和1个输出层组成，每个卷积层包含64个卷积核，模型具体框架如图9所示。使用ReLU作为激活函数，Adam优化器作为进行参数更新，设置学习率为0.005，L2正则化参数。

4.道路网匹配的结果与评价：

Step13：将测试数据输入到训练好的模型中进行道路网数据的匹配，计算匹配结果的准确率P、召回率R以及二者的调和平均值F，分析上述三个指标，对道路网匹配质量进行最终的评价。

Step14：结束。

本文提出一种基于图卷积神经网络的道路网匹配方法，在进行监督分类的学习后，利用反向传播机制，自动调整权重和阈值，完成道路网的匹配。通过在相同比例尺和不同比例尺下两种具有代表性的道路网进行了对比实验，实验结果表明GCN的方法相较于传统的赋值方法有更高的准确性，证明了该方法的合理性，且在不同类型和不同尺度的道路上都取得了较好的匹配效果，证明了该方法同样具有一定的普适性。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，该方案所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于该方案所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。