研究概述
研究背景
道路网作为基础地理要素，其模式识别对地球系统数字孪生具有重要意义。传统方法存在计算复杂、缺乏智能推理能力、依赖大量标签数据等问题。
创新方法
本研究提出SUGAR模型，采用无监督图表示学习，结合子图同构计数(SIC)和全局上下文注意力机制(GCA)，实现高精度道路网模式识别。
93.18%
分类准确率
12%+
性能提升
5种
模式类型
1100
样本数量
技术方法
空间对偶图建模
将道路网转换为空间对偶图，每条路段作为图节点，连接关系作为边，同时引入空间相似性邻接矩阵捕获空间信息。
特征提取方法
基于Gestalt理论，从宏观、中观、微观三个层面提取6种路段特征，结合形状上下文(SC)描述符构建38维特征向量。
位置特征
连接特征
长度特征
形状特征
角度特征
SC描述符
SUGAR模型架构
编码器
引入子图同构计数(SIC)，捕获局部结构特征
解码器
重构邻接矩阵，无监督学习节点嵌入
注意力机制
全局上下文注意力(GCA)生成图级嵌入
道路网模式类型
格网模式
四向垂直正交分布
平行模式
双向连续分布
复杂立交
中心汇聚分布
放射模式
中心向外发散
不规则模式
无明显规律
实验结果
模型性能对比
| 模型 | 准确率 |
|---|---|
| SUGAR-3 | 93.18% |
| GCNN-4 | 89.55% |
| SIC_GAE-3 | 90.15% |
| GCA_GAE-3 | 88.18% |
| AlexNet | 72.73% |
各模式识别精度
格网模式
93.62%
复杂立交
97.62%
平行模式
97.67%
放射模式
88.89%
不规则模式
88.37%
可视化分析
通过t-SNE降维可视化分析显示，SUGAR模型生成的图嵌入能够有效聚类，不同模式之间形成明显边界，验证了SIC和GCA模块的有效性。
核心创新
子图同构计数(SIC)
- 捕获局部结构模式，增强表达能力
- 识别6种典型子图结构
- 提供排列不变性保证
全局上下文注意力(GCA)
- 动态调整节点重要性权重
- 生成结构感知的图级嵌入
- 提升全局一致性理解
应用价值
地球系统数字孪生
为地球系统数字孪生提供信息表征处理计算方法
城市规划
辅助城市道路网规划设计和优化决策
智能交通
支持智能交通系统的路网分析和管理