众源地理数据驱动的社区管辖范围生成

方法框架

CB-GCN算法由三个核心组件构成：语义空间特征提取、空间关系图构建和管辖区域归属推断

基于城市中的多级路网将城市划分为块面，并基于楼栋空间坐标将块面进一步细分为空间单元，提取AOI语义特征、路网语义特征、距离特征和关联点位特征。

根据提取的空间语义关系，在空间单元之间建立边，构建全面的空间关系图。利用AOI和路网块面中的共现关系构造空间关系图。

使用图卷积网络推断空间单元之间的近邻关系度，并据此加权聚合计算空间点位特征，最终推断空间单元的社区归属。

图1 CB-GCN社区管辖范围生成框架整体架构

空间单元归属的判断依赖于关联点位信息及空间单元之间的语义邻近性。提取了四种反映空间邻近性的语义特征：

图2 CB-GCN社区归属推断模型整体架构

模型分为4个模块：表示层、节点近邻度计算层、高层表征生成层和节点分类层。通过多层图卷积网络聚合邻近节点的空间语义表示，最终预测各空间单元的归属社区。

对社区与关联点位进行DBSCAN去噪，计算去噪后各社区对应关联点位的最小凸包作为社区面。

统计区域内各个AOI内部的各社区关联点位所占比例，取比例最高的作为AOI所属的社区。

将区域划分为网格，统计网格一定半径内属于各社区的关联点位的高斯核密度。

基于社交网络用户在景区上传的坐标及关键字，推测出景区的大致范围。

仅使用关联点位作为聚合特征，不使用AOI和路块特征进行相似度计算。

表1 各方法生成社区面的指标

方法名	Precision	Recall	F1-score	IoU
AOI投票法	0.769	0.600	0.638	0.493
核密度分析法	0.640	0.736	0.655	0.498
DBSCAN凸包法	0.707	0.612	0.592	0.438
G-RoI	0.795	0.177	0.231	0.154
Plain GCN	0.885	0.708	0.764	0.636
CB-GCN	0.865	0.826	0.836	0.728

图3 低楼栋密度社区生成结果

在低楼栋密度社区中，由于点位在社区中密度较低，CB-GCN生成管辖范围面时，边缘区域会产生少许缺失及冗余，但生成的管辖范围面整体上和真值的差异不大。

图4 高楼栋密度社区生成结果

对于高楼栋密度社区，CB-GCN保持了较好的生成质量。虽然在关联点位密度变化大的区域可能出现推断误差，但总体上生成结果与真值较为接近。