一种生成式神经网络的道路简化方法

P283; 道路数据具有数量大、变化频率高的特点,是地理空间数据的重要组成部分,道路要素化简也是地图制图综合和空间数据更新的核心技术环节之一.传统方法基于数据点压缩、弯曲识别和现有机器学习算法在道路化简中存在稳定性差、可控性弱,自动化程度低等问题,本文在视觉思维和句法模式相结合的理论基础上,利用深度学习算法的特征挖掘能力将生成式人工神经网络模型引入道路化简领域.首先,将需化简道路数据转化为序列数据,提取其序列特征,以此构造特征数据集;然后,利用门控循环单元(gated recurrent unit,GRU)神经网络构建的Seq2Seq编码模型,将大比例尺道路数据进行嵌入形成高维语义编码,通过对...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 10; pp. 2007 - 2020
Main Authors 罗飘, 许俊奎, 武芳, 吕亚坤, 庄清文
Format Journal Article
LanguageChinese
Published 河南省时空大数据产业技术研究院,河南开封 475001 26.11.2024
河南大学地理与环境学院,河南开封 475001
黄河中下游数字地理技术教育部重点实验室(河南大学),河南开封 475001%信息工程大学地理空间信息学院,河南郑州 450001
Subjects
deep learning
Seq2Seq coding model
cartographic generalization
深度学习
syntactic pattern recognition natural language pro-cessing
句法模式识别
Seq2Seq编码模型
generative neural network
道路简化
road simplification
生成式神经网络
地图制图综合
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20230245

Cover

More Information
Summary:P283; 道路数据具有数量大、变化频率高的特点,是地理空间数据的重要组成部分,道路要素化简也是地图制图综合和空间数据更新的核心技术环节之一.传统方法基于数据点压缩、弯曲识别和现有机器学习算法在道路化简中存在稳定性差、可控性弱,自动化程度低等问题,本文在视觉思维和句法模式相结合的理论基础上,利用深度学习算法的特征挖掘能力将生成式人工神经网络模型引入道路化简领域.首先,将需化简道路数据转化为序列数据,提取其序列特征,以此构造特征数据集;然后,利用门控循环单元(gated recurrent unit,GRU)神经网络构建的Seq2Seq编码模型,将大比例尺道路数据进行嵌入形成高维语义编码,通过对语义编码的解码生成化简后的小比例尺道路数据;最后,根据弧段压缩率、长度变化率、曲线折度、缓冲区限差4个指标评估模型有效性和适用性.通过试验与传统算法对比试验表明,本文模型可应用到道路形状化简中,丰富道路化简方法,促进地图制图综合智能化发展.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20230245