深度学习的中文地址切分算法北大核心CSCD

针对传统分词对词典依赖过高的问题,该文提出了一种基于深度学习的中文地址要素的切分与重组算法。首先利用二元语法(Bigram)二分法将地址切分,然后用网络兴趣点(POI)数据地址集作为样本,采用基于深度学习的方法对地址要素进行特征匹配与要素重组,最终实现以地址要素为单元的中文地址自动切分。本文采用上万条网络采集的POI地址数据作为实验样本,实验结果表明,该算法不仅降低了对词典的依赖,同时也对地名地址的切分正确率有较大提升。     

顾及空间异质性的自回归模型应用研究

针对传统的空间自回归模型拟合精度较低且无法顾及空间异质性的问题,该文提出了改进的地理加权自回归模型。并以北京市住宅小区特征价格数据为例,利用探索式空间数据分析方法分析住宅价格数据的空间自相关性,探讨其时空演变特征;建立了空间自回归模型、地理加权回归模型和地理加权自回归模型,并在模型之间进行精度对比和分析。实验结果表明:北京市住宅价格具有明显的空间相关性与空间集聚特征;由于综合考虑了空间自相关性和空间异质性,地理加权自回归模型不仅能大幅度提高模型的拟合优度和解释能力,还能更好地揭示住宅价格的空间变化规律,为数据的空间探索提供了新的方向。     

顾及地址语义和地理空间特征的多源POI位置融合

多源POI位置融合是实现地理空间数据匹配融合的关键技术之一。然而,由于不同POI数据源之间位置编码的差异及定位误差,导致位置融合更加困难。本文提出了一种顾及地址语义和地理空间特征的多源POI位置融合方法。首先,通过TextRCNN和图注意力网络提取地址属性的语义特征;然后,使用多层感知机提取位置属性的地理空间特征;最后,基于自注意力机制通过特征聚合实现多源POI位置融合,并对成都市百度地图、腾讯地图和高德地图的POI数据进行试验验证。结果表明,该方法显著优于现有方法,平均位置融合精度优于12 m。     

智能汽车基础地图安全防控相关问题浅析

智能汽车作为当前汽车产业发展的战略方向,加之自动驾驶技术日趋成熟,车端搭载的基础地图顺势成为地图行业的新兴产品。基础地图的大发展伴随而来的实时测绘、动态更新、信息交互、数据众源等行为对地理信息安全提出严峻挑战,是国家地理信息安全不容忽视的问题。本文全面梳理了智能汽车基础地图的概念、特点及不同自动驾驶等级下的应用情况;系统分析了当前国内外基础地图相关标准的研究现状和未来的发展重点方向;总结提出了基础地图在应用中的信息技术风险点和当前的防控难点,并提出应对建议。     

一种自动提取控制点的多源兴趣点位置纠正方法

针对目前多源数据融合过程中使用传统控制点选取方法存在着效率低下且精度难以保障等问题,本文提出了一种基于网格划分自动提取控制点的多源兴趣点位置纠正方法,采用中文语义匹配的方式自动获取每个网格内的控制点与精度检核点,通过多项式变换与粗差剔除过程计算出相应网格内的坐标变换系数,以实现整个目标范围的点群位置纠正。实验表明,该方法有效地提高了纠正的效率和精度。