关键词:
生成式神经网络
道路简化
深度学习
句法模式识别
Seq2Seq编码模型
地图制图综合
摘要:
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。