發(fā)布時(shí)間：2021-12-19 18:34

　　融合多源POI數(shù)據(jù)可提供更加豐富、完整的位置信息,但不同來(lái)源的POI數(shù)據(jù)在幾何和語(yǔ)義表達(dá)方面存在差異,如何將異構(gòu)POI數(shù)據(jù)集中的同名實(shí)體進(jìn)行匹配是POI融合的關(guān)鍵問(wèn)題。該文提出了一種結(jié)合機(jī)器學(xué)習(xí)與圖論的POI匹配方法（MLP-KM方法）,該方法兼顧POI的空間和非空間屬性,綜合考慮了幾何位置、類別結(jié)構(gòu)和名稱屬性的5個(gè)相似度度量特征,輸入到多層感知器中計(jì)算匹配概率,從而避免人為分配權(quán)重造成的主觀性影響;進(jìn)一步引入KM圖論算法,增加了相應(yīng)的篩選條件與判定過(guò)程,解決了相似點(diǎn)對(duì)的混淆匹配問(wèn)題。實(shí)驗(yàn)結(jié)果表明,該方法能夠?qū)ο嗨芇OI進(jìn)行精確識(shí)別與匹配,并有效剔除混淆匹配,提高了POI匹配精度。 

【文章來(lái)源】：地理與地理信息科學(xué). 2020,36(02)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

相似點(diǎn)對(duì)匹配示例

KM算法可看作是權(quán)重特殊分配的匈牙利算法[21],其在匈牙利算法的基礎(chǔ)上,增加了邊值的權(quán)重問(wèn)題,以實(shí)現(xiàn)最優(yōu)權(quán)重匹配。使用KM算法進(jìn)行POI匹配的基本步驟(圖4)為:1)邊賦值:將數(shù)據(jù)源1和數(shù)據(jù)源2的所有POI作為頂點(diǎn),分別構(gòu)成點(diǎn)集A和點(diǎn)集B,將MLP模型輸出的匹配概率作為兩點(diǎn)之間相連的邊值;2)頂點(diǎn)賦值:賦予點(diǎn)集A中的每個(gè)頂點(diǎn)Ai一個(gè)頂標(biāo),初始值設(shè)置為與該點(diǎn)相連的邊的最大邊值W,點(diǎn)集B中每個(gè)頂點(diǎn)Bj賦初值為0;3)匹配查找:針對(duì)點(diǎn)集A中的頂點(diǎn)Ai,依次遍歷與其相連(圖中長(zhǎng)虛線)的點(diǎn)集B中的頂點(diǎn),若滿足Ai+Bj=Wij,則將Ai與Bj匹配(圖中黑實(shí)線);4)沖突解決:若出現(xiàn)點(diǎn)對(duì)無(wú)法滿足Ai+Bj=Wij的條件,與已匹配點(diǎn)對(duì)發(fā)生沖突(圖中點(diǎn)狀虛線),則將沖突內(nèi)點(diǎn)集A的頂點(diǎn)頂標(biāo)減1,點(diǎn)集B的頂點(diǎn)頂標(biāo)加1,再循環(huán)進(jìn)行步驟3)和步驟4),直至完成匹配。KM算法針對(duì)的是一對(duì)一的完備匹配數(shù)據(jù)集,對(duì)于存在無(wú)匹配點(diǎn)(即一對(duì)無(wú)情況)的POI數(shù)據(jù)集,直接使用KM算法會(huì)導(dǎo)致遍歷陷入死循環(huán),強(qiáng)行為不匹配點(diǎn)進(jìn)行匹配。為剔除無(wú)匹配點(diǎn)的錯(cuò)誤匹配,本文在KM算法中添加了閾值篩選,確保匹配概率值低于閾值的點(diǎn)對(duì)不被匹配;同時(shí),在進(jìn)行遍歷操作時(shí),設(shè)置迭代次數(shù)的限制值,若迭代循環(huán)次數(shù)超過(guò)限制值,則判定此點(diǎn)不存在匹配點(diǎn),停止循環(huán)。

為驗(yàn)證本文方法的精度,對(duì)10 000條POI點(diǎn)對(duì)進(jìn)行人工標(biāo)注,匹配點(diǎn)對(duì)、不匹配點(diǎn)對(duì)分別標(biāo)注為1、0,然后將訓(xùn)練集輸入到MLP模型中進(jìn)行訓(xùn)練,并在百度地圖數(shù)據(jù)中隨機(jī)選取了300個(gè)POI及其在OSM中相匹配的250個(gè)POI和50個(gè)非匹配POI,作為測(cè)試集進(jìn)行精度計(jì)算。為避免數(shù)據(jù)冗余、減少計(jì)算量,首先對(duì)測(cè)試數(shù)據(jù)集中的POI進(jìn)行距離計(jì)算,將距離小于1 000 m的點(diǎn)組成點(diǎn)對(duì),得到2 672條點(diǎn)對(duì)數(shù)據(jù);再將挑選的2 672條百度與OSM點(diǎn)對(duì)數(shù)據(jù)作為測(cè)試集代入經(jīng)過(guò)訓(xùn)練的MLP模型中,得到匹配概率值;最后將概率值作為相似度總值代入基于KM的匹配算法中,得到匹配結(jié)果。2.2 POI匹配方法對(duì)比分析

【參考文獻(xiàn)】：
期刊論文
[1]基于興趣點(diǎn)（POI）大數(shù)據(jù)的人地關(guān)系研究綜述:理論、方法與應(yīng)用[J]. 薛冰,李京忠,肖驍,謝瀟,逯承鵬,任婉俠,姜璐.  地理與地理信息科學(xué). 2019(06)
[2]多源矢量空間數(shù)據(jù)融合處理技術(shù)研究進(jìn)展[J]. 孫群.  測(cè)繪學(xué)報(bào). 2017(10)
[3]國(guó)家地理信息公共服務(wù)平臺(tái)“天地圖”的關(guān)鍵技術(shù)與工程實(shí)踐[J]. 蔣捷,吳華意,黃蔚.  測(cè)繪學(xué)報(bào). 2017(10)
[4]上下文感知的智慧城市空間信息服務(wù)組合[J]. 李德仁,柳來(lái)星.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2016(07)
[5]基于形式本體的POI數(shù)據(jù)分類方法[J]. 吳超,任福,杜清運(yùn),胡瑋.  地理與地理信息科學(xué). 2014(06)
[6]多種字符串相似度算法的比較研究[J]. 牛永潔,張成.  計(jì)算機(jī)與數(shù)字工程. 2012(03)
[7]基于同義詞詞林的詞語(yǔ)相似度計(jì)算方法[J]. 田久樂(lè),趙蔚.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2010(06)
[8]空間目標(biāo)匹配方法的應(yīng)用分析[J]. 徐楓,鄧敏,趙彬彬,陳建軍.  地球信息科學(xué)學(xué)報(bào). 2009(05)
[9]基于本體的概念相似度計(jì)算[J]. 張忠平,趙海亮,張志惠.  計(jì)算機(jī)工程. 2009(07)
[10]基于概率的地圖實(shí)體匹配方法[J]. 童小華,鄧愫愫,史文中.  測(cè)繪學(xué)報(bào). 2007(02)

博士論文
[1]文本分類及其相關(guān)技術(shù)研究[D]. 李榮陸.復(fù)旦大學(xué) 2005

碩士論文
[1]基于概念格的多源POI分類體系融合研究[D]. 李一.蘭州交通大學(xué) 2017



本文編號(hào)：3544863