【技術實現步驟摘要】
本專利技術涉及路網模式識別，尤其涉及一種基于無監督圖表示學習的道路網模式識別方法及系統。
技術介紹
1、道路網作為一種基礎地理要素，理解道路網空間結構與形態特征有助于探究地球表層環境與人類活動的相互關系。
2、經典的路網模式識別主要分為基于幾何計算和基于圖論的方法。其中，幾何計算法依據識別單元可分為基于線性要素和面狀要素兩種方法。線性要素方法是從路段幾何特征的角度識別路網模式。面狀要素方法則是通過道路網網眼的空間形態進行識別。上述基于幾何計算的路網模式識別方法主要依賴路網的形狀特征，忽略了道路網作為一個空間連接網絡的拓撲連接屬性。對此，圖論是一種整合了路網幾何形狀特征和拓撲連接屬性的有效建模方式?？傮w而言，傳統算法大多側重于描述特定模式的特征，即需要為不同模式單獨設計算法，泛化性不強。此外，路網模式識別因空間感知和視覺心理的影響具有較強的主觀性和復雜性，但傳統算法缺乏智能推理和決策的過程，難以達到人類識別水平。因此，需要探索強泛化性、更接近人類感知的識別方法，從而有效識別和分類多樣的道路網模式。
3、近年來，深度學習技術，特別是圖神經網絡(graph?neural?network,gnn)，在處理圖數據方面取得了顯著進展?；趃nns的深度學習方法能夠自動提取路網特征，無需手動設計特征提取器。相比傳統算法，這種方法減少了人工干預，提高了路網模式識別的客觀性和準確性。然而，它依賴于大量標簽化訓練數據，而路網數據的標注工作通常復雜且昂貴，模型的訓練和推理同樣會消耗大量計算資源，特別是數據規模較大時。此外，gn
技術實現思路
1、針對現有基于gnns的路網特征提取方案存在依賴于大量標簽化訓練數據且生成的嵌入表示泛化能力不足的問題，本專利技術提供一種基于無監督表示學習的道路網模式識別方法及系統。
2、一方面，本專利技術提供一種基于無監督圖表示學習的道路網模式識別方法，包括：
3、步驟1：將目標路網數據中的stroke路段作為圖的節點，將相鄰路段的連接關系和為空間相似路段增設的空間關系作為圖的邊，構建得到目標路網數據的空間對偶圖，并根據所述空間對偶圖生成目標路網數據的鄰接矩陣；
4、步驟2：提取目標路網數據中各個stroke路段的路段特征以生成目標路網數據的特征矩陣；其中，所述路段特征包括路段的幾何屬性特征和形狀上下文sc屬性特征；
5、步驟3：基于目標路網數據的空間對偶圖、鄰接矩陣和特征矩陣，利用預設的圖神經網絡模型進行道路圖表示學習，生成目標路網數據的圖級嵌入；其中，所述圖神經網絡模型包括gae模型和結構感知的圖表示學習模塊；所述結構感知的圖表示學習模塊以gae模型中編碼器輸出的節點級嵌入作為輸入以生成圖級嵌入；
6、步驟4：將目標路網數據的圖嵌入與多種預設的標準錨點的圖嵌入進行相似度度量，將相似度值最高的標準錨點所屬的路網模式作為原始路網數據的路網模式。
7、進一步地，步驟1中，還包括：提取空間相似路段，為空間相似路段增設空間關系；其中，所述空間相似路段是指滿足預設空間要求但沒有連接關系的兩個路段；所述預設空間要求是指兩個路段的距離相似度和角度相似度均大于0。
8、進一步地，分別按照下式計算兩個路段之間的距離相似度和角度相似度
9、
10、
11、其中，sp_dist(si,sj)表示計算兩個路段si和sj之間的單向豪斯多夫距離，ag_dist(si,sj)表示計算兩個路段si和sj之間的絕對角距離，δds和δas表示預設的兩個距離閾值。
12、進一步地，所述的路段的幾何屬性特征包括從宏觀尺度提取的位置特征，從中觀尺度提取的連接特征以及從微觀尺度提取的長度特征、形狀特征和角度特征。
13、進一步地，所述路段的sc屬性特征的提取過程包括：
14、在目標路段中點建立一個極坐標系，設置所述極坐標系的最大半徑為r＝γ×l(s)；其中，l(s)為目標路段的長度，γ為比例因子；
15、在所述極坐標系內等距離劃分p個同心圓，等角度劃分q個扇形，得到p×q個扇區，將每個扇區的值定義為區域內路段總長度與上下文范圍路段總長度的比值；
16、將p×q個扇區的值表示為一個向量，該向量即為目標路段的sc屬性特征。
17、進一步地，在所述編碼器中設置有子圖同構計數sic模塊，利用sic模塊為空間對偶圖中的節點生成結構標識符，所述編碼器基于節點的結構標識符、鄰接矩陣和特征矩陣進行鄰域信息傳遞，生成節點級嵌入。
18、進一步地，還包括：對gae模型中的編碼器和解碼器進行訓練；在訓練過程中，所述解碼器基于編碼器輸出的節點級嵌入重建節點間關聯性以生成重構的鄰接矩陣，采用下述的交叉熵損失函數計算重構的鄰接矩陣a′與真實鄰接矩陣a之間的距離：
19、
20、其中，n表示空間對偶圖中的節點總數。
21、進一步地，所述的生成節點級嵌入的過程，具體包括：
22、定義一個子圖集合對于子圖集合中的每個子圖h，首先在所述空間對偶圖g中找到其同構子圖gs，對于gs中的每個節點找到其在子圖h中的映射f(v)的軌道orbh(f(v))，orbh(*)表示預設的軌道映射函數，軌道是指在h中節點的位置或角色；然后，計算每個節點v在不同同構子圖gs中屬于軌道的次數，得到節點v在子圖h第i個軌道上的結構特征表示子圖h中的第i個軌道；f(v)表示將節點v映射到子圖h中的節點映射函數；最后，組合子圖集合中不同子圖結構和軌道的計數，得到節點的結構標識符其中，是子圖hi中軌道的數量；
23、按照下述的相鄰卷積層之間的傳播規則對鄰接矩陣、特征矩陣和結構標識符進行更新：
24、
25、其中，a為鄰接矩陣，是單位矩陣，是的度矩陣；是第l層的卷積信號矩陣，代表第l層各節點的特征，ml是節點特征在第l層的維度；輸入層h0＝m，表示特征矩陣，d1表示節點的幾何屬性特征的維度，d2表示節點的sc屬性特征的維度；xv為節點的結構標識符，和是第l層的參數訓練權重矩陣和公共偏差，σ(·)是非線性激活函數，n表示空間對偶圖g中的節點總數。
26、進一步地，所述結構感知的圖表示學習模塊以gae模型中編碼器輸出的節點級嵌入作為輸入以生成圖級嵌入，具體包括：
27、
28、其中，es表示圖級嵌入，z表示編碼器輸出的節點級嵌入，是第n個節點的嵌入，n表示節點總數；是可學習的權重矩陣，tanh(·)是激活函數；表示節點的注意力權重，σ(·)是非線性激活函數。
29、另一方面，本專利技術提供一種基于無監督圖表示學習的道路網模式識別系統，包括：
30、空間對偶圖構建模塊，用于將目標路網數據中的stroke路段作為圖的節點，將相鄰路段的連接關系本文檔來自技高網...
【技術保護點】
1.一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，包括：
2.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，步驟1中，還包括：提取空間相似路段，為空間相似路段增設空間關系；其中，所述空間相似路段是指滿足預設空間要求但沒有連接關系的兩個路段；所述預設空間要求是指兩個路段的距離相似度和角度相似度均大于0。
3.根據權利要求2所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，分別按照下式計算兩個路段之間的距離相似度和角度相似度
4.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述的路段的幾何屬性特征包括從宏觀尺度提取的位置特征，從中觀尺度提取的連接特征以及從微觀尺度提取的長度特征、形狀特征和角度特征。
5.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述路段的SC屬性特征的提取過程包括：
6.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，在所述編碼器中設置有子圖同構計數S
7.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，還包括：對GAE模型中的編碼器和解碼器進行訓練；在訓練過程中，所述解碼器基于編碼器輸出的節點級嵌入重建節點間關聯性以生成重構的鄰接矩陣，采用下述的交叉熵損失函數計算重構的鄰接矩陣A′與真實鄰接矩陣A之間的距離：
8.根據權利要求6所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述的生成節點級嵌入的過程，具體包括：
9.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述結構感知的圖表示學習模塊以GAE模型中編碼器輸出的節點級嵌入作為輸入以生成圖級嵌入，具體包括：
10.一種基于無監督圖表示學習的道路網模式識別系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，包括：
2.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，步驟1中，還包括：提取空間相似路段，為空間相似路段增設空間關系；其中，所述空間相似路段是指滿足預設空間要求但沒有連接關系的兩個路段；所述預設空間要求是指兩個路段的距離相似度和角度相似度均大于0。
3.根據權利要求2所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，分別按照下式計算兩個路段之間的距離相似度和角度相似度
4.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述的路段的幾何屬性特征包括從宏觀尺度提取的位置特征，從中觀尺度提取的連接特征以及從微觀尺度提取的長度特征、形狀特征和角度特征。
5.根據權利要求1所述的一種基于無監督圖表示學習的道路網模式識別方法，其特征在于，所述路段的sc屬性特征的提取過程包括：
6.根據權利要求1所述的一種基于無監督圖表示學習的...
【專利技術屬性】
技術研發人員：楊劍，方立，侯洋，張變英，謝瀟，賈奮勵，林佳諾，
申請(專利權)人：中國人民解放軍網絡空間部隊信息工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。