方法框架

1

道路图模型构建

对路网数据进行预处理及stroke提取，用路网数据构建描述路段关系的图模型，用图的节点表示stroke路段，图的边表示相邻路段的连接关系。

2

道路图特征提取

对路段的几何要素进行自动编码作为路段几何特征，采用路段的属性数据作为路段的语义特征，并使用路段的坐标和方位作为路段位置特征，综合几何、语义、位置3类特征作为道路图节点的初始特征描述。

3

改进邻域聚合的道路图节点嵌入

提出了空间、分类、混合3种邻域聚合函数学习路段的图节点嵌入，能够更好地捕获路网的复杂邻域关系，为路网匹配提供更有效的路段嵌入表示。

4

节点嵌入相似性度量

对不同来源的路网数据，分别学习路网数据的图节点嵌入，并利用图节点嵌入计算不同数据源之间的路段相似度，确定路段匹配关系，实现路网匹配。

核心创新

空间聚合

在邻域聚合函数中显式考虑目标节点路段和邻居路段的空间位置关系，以提升路段嵌入对其邻域空间布局的表示性能。

分类聚合

在邻域聚合函数根据目标节点和邻居节点对应路段的道路类型关系，来选取相同类型的邻居节点更新目标节点的嵌入表示。

混合聚合

综合了空间聚合和分类聚合操作，既考虑空间位置关系，又根据道路类型关系选取相同类型的邻居节点来更新节点的嵌入表示。

实验结果

实验数据

路网匹配实验选取德国安斯巴赫地区作为测试区域，测试地区面积约99.92 km²。路网数据源包括开放街道地图（OpenStreetMap，OSM）、TeleAtlas商业电子导航数据。

OSM路网数据

测试区安斯巴赫的OSM和TeleAtlas路网数据对比

OSM数据

  • 原始数据：6,258条道路
  • 预处理后：12,785条道路

TeleAtlas数据

  • 原始数据：5,024条道路
  • 预处理后：7,523条道路

性能比较

为验证本文方法的有效性，选取路网匹配经典算法限定笔划算法（DSO）、直接应用图神经网络的图卷积网络方法（GCN）、本文参考的地理空间图嵌入方法（GraphSAGE，GS）、和本文提出的改进邻域聚合图嵌入方法GS+S、GS+P、GS+SP进行实验对比。

方法 匹配正确率 召回率 匹配成功率
DSO 81.25% 82.60% 73.87%
GCN 76.21% 76.24% 68.21%
GS 75.66% 77.51% 69.31%
GS+S 87.21% 77.87% 69.67%
GS+P 82.87% 81.46% 72.89%
GS+SP 87.27% 84.37% 75.26%
不同阈值下匹配正确率及召回率

不同阈值下匹配正确率及召回率

不同参数设置下的匹配正确率

不同参数设置下的匹配正确率

匹配结果可视化

本文算法可以有效匹配不同来源的路网数据。在交叉路口、网格路段等较为复杂的路段，算法都能成功实现路网匹配。

交叉路口匹配结果

测试区域OSM和TeleAtlas路网匹配结果可视化

分析与讨论

特征消融实验

为理解几何、语义及位置3类特征对GNN路网匹配算法表现的影响，进行了特征消融实验，即依次移除位置、语义、几何特征，比较GNN路网匹配算法的匹配正确率和召回率。

三类特征的消融实验结果

三类特征的消融实验结果

关键发现

  • 几何特征对GNN匹配性能影响最大
  • 位置特征在空间聚合方法中的作用更显著
  • 分类聚合方法能更好利用语义特征提升召回率

方法对比

  • GS+S对位置特征更敏感
  • GS+P对语义特征更敏感
  • GS+SP综合了两种方法的优势

路网嵌入可视分析

利用高维数据降维算法t-SNE对路网数据的路段嵌入向量进行可视化，分析路段嵌入向量分布与路网数据特征之间的联系。

方法 路段嵌入降维分布结构 模式道路结构表示能力
GCN 多中心聚集，局部聚集性强，簇集间隔小
弱
GS 条带均匀分布
弱
GS+S 多中心聚集，簇集间隔大
中
GS+P 多中心聚集，局部聚集性强，簇集间隔小
中
GS+SP 多中心聚集，簇集间隔大
强
GCN嵌入可视化

GCN嵌入可视化

GS+SP嵌入可视化

GS+SP嵌入可视化

结论

本文面向路网匹配，提出了一种基于GraphSAGE图嵌入学习框架的路网建模与匹配方法。该方法采用空间显式的建模思想，提出利用道路空间、类型信息的图节点嵌入更新方式，通过改进图神经网络的邻域聚合函数，在图嵌入学习阶段增强聚合运算对空间关系和道路类型的处理利用，提高图神经网络对路网复杂结构的表示能力，进而提升基于图神经网络进行路网匹配的性能。

利用真实路网数据开展了多源路网匹配实验，结果表明本文方法在匹配正确率、召回率和匹配成功率指标上优于经典的限定笔划路网匹配算法、基线图神经网络（GCN和GraphSAGE）路网匹配算法。相比基线图神经网络方法，本文方法在实验区数据上，匹配正确率提升11%以上，召回率提升6.8%以上。

本文方法在网格路段、平行路段等较为复杂的环境下均有良好的表现。通过对图神经网络方法的路网图嵌入结构和嵌入样本道路进行对比分析，发现性能较好的图神经网络模型能够将具有类似特征的道路生成的嵌入聚集在一起。

研究贡献

1

提出基于改进邻域聚合的路网图嵌入方法，设计了空间、分类和混合3种邻域聚合函数

2

实验验证了方法有效性，匹配正确率提升11%以上，召回率提升6.8%以上

3

通过嵌入可视化分析，为改进图神经网络的路网建模提供了新视角