[发明专利]一种结合人工交互与主动学习的路网匹配方法

说明书

本发明提供了一种结合人工交互与主动学习的路网匹配方法，对原始路网数据进行数据预处理得到路网信息；利用缓冲区分析筛选出候选匹配道路，根据两条道路之间的几何差异值构建初始匹配概率矩阵；更新初始匹配概率矩阵，使道路匹配达到全局最优；由查询函数计算道路匹配概率的熵值，选取未被标注匹配对象且熵值最大的道路交给人工进行处理，构建匹配约束集；最后基于人工交互的匹配约束集，优化概率松弛匹配结果，提高最终道路匹配精度。本发明通过主动学习的方法能明显地提升道路网匹配的精度，克服了利用概率松弛算法在复杂道路网匹配中因道路结构相似度过高出现错误匹配的问题，可使稳健匹配对更符合实际情况，匹配更精确。

技术领域

本发明涉及一种结合人工交互与主动学习的路网匹配方法，属于空间数据集成技术领域。

背景技术

空间数据集成(spatial data integration)是指将多源空间数据进行匹配、转化和综合处理的过程。随着3S技术(GIS、RS、GPS)的发展和集成，通过不同手段获取的空间矢量数据迅速增加，各种数据存在着精度不同、比例尺不同、语义表达不同等差异，造成了空间数据重复采集，导致数据的共享困难，更新不及时。如何快速、高效地整合、处理多源、多维异构的空间数据，提升数据的价值和利用率已成为地理信息科学领域的重要课题。

目标匹配是空间数据集成的关键技术之一。由于地图比例尺不同和地图综合的差异，同一地理实体在不同来源的地图上表现形式存在多样性，例如在小比例尺地图上，某一建筑物的表达形式为点数据，而在大比例尺地图上其表现为面数据。针对同一区域的相同目标建立匹配关系是多源空间数据集成的首要步骤，根据同一地理实体的匹配结果，可以快速实现数据的更新。路网作为一个城市的骨架，在空间数据集成中发挥着重要作用。局部区域道路拓扑关系复杂，其结构多样化，部分不同道路的相似度高，增加了道路网自动匹配的不确定性。

道路网的匹配的主要思想是计算匹配目标之间的相似度。已有方法可分为四类：(1)基于属性特征的匹配方法，即计算目标的名称、等级等方面的相似性；(2)基于几何特征的匹配方法，即通过候选匹配路段节点的距离、路段长度和方向差异来计算相似度；(3)基于拓扑关系的匹配方法，即根据候选匹配道路的邻接路段计算当前匹配道路的相似性；(4)综合多项指标的匹配方法，即结合以上多种方法，得到最优道路匹配结果。基于传统Hausdorff(豪斯多夫)距离算法的道路匹配利用道路的几何特征，将道路的折点分解为离散的点集，通过点集的Hausdorff距离判断道路的相似性，进而判断目标是否为同名实体，该方法原理简单，易于操作，但是匹配精度容易受到噪声点影响而降低；基于图文法的道路匹配利用路网的拓扑关系，将交叉路口的结构模式用图文法进行描述，通过计算最大公共子图和最小编辑距离衡量道路节点的匹配程度，寻找结构形态最相似的道路结点进行匹配，该方法不依赖任何非空间语义信息，但是要求道路的路段和交叉路口有较好的拓扑关系，在匹配前需要耗费大量的时间进行数据预处理工作。

综上所述，现有算法可处理简单道路网的匹配问题，但是部分路网结构具有较高的复杂性，如双线路网、十字交叉口等，导致自动匹配结果准确度不高、效率较低，难以处理多对多的匹配关系。

发明内容

为了解决现有技术的不足，本发明提供了一种结合人工交互与主动学习的路网匹配方法，能够充分地利用道路的几何特征和拓扑关系，构建道路匹配的概率松弛模型，通过主动学习不断训练该模型，提升道路匹配精度，克服因道路结构复杂和不同弧段相似度过高而造成的错误匹配等问题。

本发明为解决其技术问题所采用的技术方案是：提供了一种结合人工交互与主动学习的路网匹配方法，包括以下步骤：

S1、对原始道路网数据进行预处理，得到原始道路网数据中每个道路的几何信息和拓扑关系，配对候选道路，构建初始概率矩阵；

S2、通过道路的拓扑关系计算配对得到的候选匹配道路的兼容系数，利用兼容系数对初始概率矩阵进行松弛迭代，得到最终匹配概率矩阵；