基于层次随机图的道路选取方法

 道路选取是道路网自动综合的关键问题之一,这方面已有多年研究,虽已取得很大进展,但尚不能自动完成一定比例尺下道路网的选取。本文提出一种基于层次随机图的道路选取方法,通过构建道路网的层次聚类结构以辅助道路选取。层次随机图是一种复杂网络模型,表现为一个二叉树,它不仅可以将复杂的道路网进行层次聚类,而且在可视化的同时提供了不同粒度的聚类信息。在构建道路网的层次随机图的基础上,本文采用累计权重数来衡量每条道路在整体层次结构中的重要性,并据此进行道路选择。我们将该方法应用到不同模式的实际道路网中进行道路选取试验,包括方格形、方格放射状、环形放射状、自由式路网等,以对应的谷歌地图作为参考进行道路选取符合数量、符合长度的定量评价和观察对比定性评价。试验表明本方法的选取结果与谷歌地图符合度很高。此外,与典型的基于路划长度和基于度中心度(degree centrality)的选取方法相比,本文方法更优。最后给出了本文方法优缺点的讨论和进一步研究的展望。     

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。     

基于径向基函数神经网络的地震液化侧移预测

在已有的地震液化侧移数据库中增加累积绝对速度（CAV₅）这一地震参数,以考虑震源机制对液化侧移的影响。然后采用径向基函数神经网络（RBFNN）方法建立地震液化侧移预测模型,并与其他模型进行对比分析。结果表明,本文模型预测精确度最高;CAV₅在液化侧移预测方面可以代替震级、震中距2项参数;所有参数中,震级、震中距、可液化土层厚度敏感性较高,对液化侧移影响程度较大。     

结合POI数据的道路自动选取方法

人们对道路重要性的认知与道路周边设施有重要关系,针对现有地图综合道路选取方法中对语义特征考虑不足的问题,将POI数据引入到道路的语义特征分析中,提出一种综合考虑道路空间特征和语义特征的道路综合自动选取方法。首先,结合POI位置数据构造了道路语义特征度量的3个新参量：设施点密度、重要设施比率和专题设施比率;然后,与道路长度、连接值、总深度值、平均线密度等反映道路几何、拓扑和分布特征的度量参量一起,通过归一化和熵值法赋权进行整合计算,得到道路重要性值;最后,综合考虑道路重要性值、道路stroke构成和stroke连通度的约束条件进行道路的分步选取。实验结果表明,该方法在保留主要道路、保持道路分布疏密特征和道路连通性的同时,较好地顾及了道路的语义特征信息。     

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。     

基于案例推理的统计地图表示方法智能选取中的应用

地图符号的选择在空间信息可视化中至关重要。本文基于案例推理的研究范式和专题制图过程,提出了一种智能化专题制图的CBR框架,它依赖的知识主要是系统所存储的专题地图设计过程中解决问题的具体记录。本文从案例库内容设计、案例表达和数据库模式、案例相似性计算和案例检索等方面重点研究了CBR在统计地图表示方法智能选取中的应用,并以《中国人口地图集》为蓝本,以myCBR为工具,展现了CBR在专题地图设计知识获取、表达和推理中的应用潜力。     

基于E-WID线/线细分拓扑关系的OSM数据冲突检测

OSM数据是我国境外地理信息生产的重要数据来源之一,但OSM要素间存在拓扑冲突问题。针对这一问题,在E-WID面/面、线/面拓扑关系层次模型基础上,采用点度和Touching、Crossing谓词发展了线/线单元交细分方法,得到了11种有效的线/线单元交细分类型。并设计实现了基于E-WID层次模型的线/线拓扑细分算法。以交通和水系为例,设计了顾及要素类型属性的线/线拓扑冲突检测规则,并用OSM数据验证其有效性。     

基于改进RBF神经网络的GNSS高程拟合

针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。     

基于RBF的指标规范化的水安全评价模型

为了建立科学合理、计算简便和普适通用的水安全评价模型,在适当设定指标参照值cj0和指标值的规范变换式基础上,提出了基于径向基函数网络的指标规范化的水安全评价模型。采用具有全局优化的猴王遗传算法对模型中的参数进行优化,得出优化后对任意m(1≤m≤23)项水安全指标共同适用的水安全评价模型。应用模型对山东省水安全状况进行了评价分析,其评价结果与其它方法的评价结果基本一致,从而表明:指标规范值的径向基函数网络模型为水安全评价提供了一个简单实用、结果可靠的新方法。     

基于空间相似性的微地图道路网质量评价方法

微地图是一种面向大众的新型地图,是传统地图在自媒体时代下的发展和补充。针对微地图数据来源广泛,质量参差不齐的问题,本文提出了一种基于空间相似性的微地图道路网质量评价方法。首先,将上下文信息与形状、方向、距离、拓扑关系以及一维线特征5个空间特性结合,计算微地图数据与参考数据的空间相似性;然后,对样本数据组合,并利用熵值法计算客观权重,取平均值作为各评价指标的权重系数;最后,采用可拓云评价法完成对微地图数据定量计算与定性分析结合的综合评价。本文使用9组不同质量的微地图道路网数据进行实验,结果表明,本文方法符合微地图精度低、内容少的特点,质量评价结果与实际更为符合。相较于模糊综合评价法,本文将精度低,但内容与参考数据一致的微地图数据评价等级提升为优;相较于现有的线要素空间相似性评价法,本文将精度低,但根据用户需求制图,且有重要地标参与计算的微地图数据评价等级提升为良。本文方法对微地图数据有较强的适用性,为微地图道路网质量评价提供了可行方法。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

基于人工神经网络的多特征因子路网匹配算法

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。     

基于遗传神经网络的入侵特征选择模型

针对高维数据包含的不相关和冗余特征影响检测方法性能的问题,提出了基于遗传神经网络入侵特征选择模型.该模型在传统的遗传神经网的输入层和隐含层之间增加特征选择层,并在特征选择层与输入层间设置连接开关,如果开关合上,则该特征被选中;否则为放弃.实验结果表明,该模型在保持原有信息完整性的同时,能有效减少冗余特性;在保证检测准确率的前提下,有效提高系统的检测速度.     

加权总体最小二乘和RBF神经网络的三维坐标转换

分析部分变量误差加权总体最小二乘法（PWTLS）、加权总体最小二乘法（WTLS）和最小二乘法（LS）在三维坐标转换模型参数求解中的应用与影响,提出PWTLS与RBF神经网络组合的坐标转换方法。结果表明,当三维坐标转换模型系数矩阵中同时存在常数元素和重复元素时,PWTLS方法计算的单位权中误差和内符合精度均优于LS方法,且源坐标改正数较WTLS方法更加合理。PWTLS+RBF组合方法能够使PWTLS的求解参数得到有效使用,提高坐标转换精度。     

基于道路结构特征识别的城市交通状态空间自相关分析

 城市道路交通状态具有空间自相关特征。路段交通状态的变化会很快影响到邻近路段,导致一定空间范围内路段的交通状态发生改变。揭示城市交通状态的空间自相关特征,对交通规划、交通控制与诱导具有重要意义。然而,受到城市路网空间结构和道路拓扑特征的影响,城市道路交通状态的空间自相关并非各向同性,也并非均匀地向上下游扩散,而是有选择性地集中在部分邻近路段上。因此,仅考虑路段地理空间下的上下游邻近性,难以全面度量路段间交通状态的相互影响,识别出交通状态空间相关性强的道路集合。本文借鉴复杂网络分析方法,定量化分析了城市路网的模块化与层次性特征,利用城市路段在空间上的聚集特征和路段在网络中拓扑角色的差异,提出了一种新的交通状态自相关路段邻近性判别规则,即空间邻近且拓扑等价规则,以此规则实现交通状态空间相关路段聚类过程,更好地揭示城市路段之间的交通状态空间相关性。     

基于动态中介中心性的城市道路网实时分层方法

 城市道路网中各路段的出行效率直接决定了公众实时出行过程中对道路的选择差异。本文提出一种动态道路网分层方法,通过引入城市道路实时交通状态信息,结合图论中的中介中心性评价方法,得到与时间相关的城市路网动态中介中心性层级结构。该方法考虑了不同时间段城市交通状态的差异,实现了城市路网层次的动态合理划分,在一定程度上缓解了由于数据空间范围限制引起的路网层级静态划分方法的局限性。本文所提出的方法可作为城市路网动态分层的有效方法,为多用户并发环境下的实时出行路径搜索提供更合理的数据基础,同时也可应用于更多的城市路网研究中。     

顾及路网与轨迹多模特征的道路等级分类研究

道路等级不仅反映在路网结构的静态骨架信息上,也蕴含在轨迹数据呈现的动态语义信息上。为解决(OpenStreetMap)OSM路网部分路段及路网生成产品等级缺失问题,本文提出一种顾及路网与轨迹多模特征的道路等级分类方法。首先通过轨迹数据的清洗、地图匹配和基于路名的路网合并实现轨迹点与命名道路的联结;然后以命名道路为分析单元,综合考虑路网及轨迹数据,在系统分析路网结构的道路几何特征、道路分布特征、道路拓扑特征及道路单双向信息基础上,进一步挖掘与融合轨迹数据蕴含的道路宽度、道路车流量、道路速度等静动态特征,形成关于道路等级的描述特征集,作为识别道路等级的基础与依据;最后以随机森林(RF)为基本分类器进行特征选择及模型训练实现道路等级识别。为验证本文方法,选取武汉市汉正街区域及二环区域,基于OSM路网数据及众源轨迹数据开展试验。该方法取得了较好的分类结果,小范围汉正街区域的验证集准确率为91.2%,大范围二环区域的验证集准确率达到80.8%。与单类特征相比,集成路网与轨迹特征极大提高了道路等级分类准确率;与原始路段形式进行道路等级分类相比,以路名重构道路形式进行道路等级分类效果更好。