多源道路智能选取的本体知识推理方法
郭漩1
1. 信息工程大学地理空间信息学院, 河南 郑州 450000;2. 信息工程大学数据目标与工程学院, 河南 郑州 450000
基金项目：国家自然科学基金(41571442); 河南省杰出青年科学基金(212300410014); 军队“双重”建设项目(f4203)
关键词：道路选取 多源数据 本体 相似性 语义 规则语言
郭漩, 钱海忠, 王骁, 等. 多源道路智能选取的本体知识推理方法[J]. 测绘学 ，2022，51(2)：279-289. DOI:
10.11947/j.AGCS.2022.20210168
GUO Xuan, QIAN Haizhong, WANG Xiao, et al.Ontology knowledge reasoning method for multi-source intelligent road selection[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(2): 279-289. DOI: 10.11947/j.AGCS.2022.20210168
阅读全文：
http://xb.sinomaps.com/article/2022/1001-1595/2022-2-279.htm
引 言
道路选取指通过评价道路重要性，保留主要道路、删除次要道路，达到选取目的[4]。早期基于传统模型的评价方法主要包括基于语义等级[5]、 眼密度[6]、stroke[7]及图论[8]等方法，其中基于stroke的选取方法效果较好[9-11]，可有效保持道路的几何连续性。随后部分学者借助智能模型，提出了基于遗传算法[12]、决策树[13]和神经 络[14]的选取方法，在一定程度上提高了道路选取的自动化水平，但制图综合问题并非都能模型化，建立其知识法则成为必然[1]。近年来，国内学者将案例推理方法(case-based reasoning, CBR)应用于道路选取[15]，以实现智能化制图综合。该方法可简化知识获取过程，降低知识表示难度，但传统案例的适用性较差，难以实现面向其他数据源的知识推理。为实现知识表示与共享，部分学者利用本体表达领域知识[16]，并结合相似性度量方法解决多源数据的语义不一致问题[17-19]，同时文献[20—21]利用本体描述专家案例，提高了系统的决策能力。虽然本体的知识表达能力较强，但知识推理能力不足，难以实现跨数据源道路选取的过程性知识推理，智能化程度有待提高。
1
道路
选取
本体
构建
道路选取需要明确的制图规则和专家知识，通过1∶5万基本比例尺数据提取道路选取案例，可有效降低知识的形式化表达难度。但基础案例与试验数据间存在语义差异，还需借助本体模型定义数据概念结构，提供领域知识共享基础。
1.1 道路选取案例描述
道路选取案例主要由案例对象和特征项组成，以道路stroke作为案例对象，基于stroke构建道路对偶图，进而计算特征项。其中stroke指自然延伸未断裂的道路[22]，通常基于几何与专题规则进行构建，前者指两条路段转折角小于阈值60°[23]，后者指两条路段具有相同的等级和名称。道路对偶图通过将stroke表示为节点(V={v1,v2, …, vn})，将节点间关系表示为边(E={vivj|vi, vj∈V})，进而深入分析路 结构[24]，具体如图 1所示。
图 1 道路stroke对偶图Fig. 1 Road stroke dual graph
图 2 特征项出现频数统计Fig. 2 Frequency statistics of features
表 1 特征项计算方法及含义Tab. 1 Calculation and description of features
1.2 本体构建方法
图 3 基于基础案例与试验数据的本体构建方法
Fig. 3 Ontology construction method based on cases and data
图 4 道路选取本体示例Fig. 4 Example of road selection ontology
2 概念相似性度量
相似性度量是描述概念相似程度的重要方法，可避免多源数据的语义差异，提高道路选取案例的适用性[31]，主要包括语义和数值相似性度量两个方面。其中语义相似性通过概念间关系进行度量，数值相似性通过计算实体的相似性进而实现概念相似性度量。
2.1 语义相似性度量
图 5 基础案例与导航数据的道路等级概念层次树
Fig. 5 Concept hierarchy tree of road grade for basic case and navigation data
(1)
式中，概念Ca的概念向量为Ca=(va, 1,va, 2, …,va,b)，va,b表示概念Ca与Cb的相关性，计算公式为
(2)
式中，da指概念Ca父概念的所有子概念数量，即局部密度，关联概念指与概念Ca直接或间接关联的所有父概念和子概念。如图 5所示，父概念城市次要道路具有3个子概念：其他道路、九级辅路和行人道路，因此每个子概念的局部密度均为3。概念行人道路的关联概念包括道路、城市道路、城市次要道路和行人道路，局部密度分别为1、2、2和3，因此概念向量C14=(1, 2, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 3)。基础案例的道路等级包括国道、县道、城市主要道路、城市次要道路，导航数据包括国道、县道、市镇村道、其他道路、九级辅路、行人道路，概念相似性度量结果见表 2，由此可建立跨数据源的等级概念语义关联。其中导航数据的国道、县道分别与基础案例的国道、县道为相同概念，市镇村道与城市主要道路属于相似概念，其他道路、九级辅路、行人道路与城市次要道路为相似概念。
表 2 基础案例与导航数据道路等级语义特征项相似性度量结果
Tab. 2 Road grade semantic similarity measurement results for basic case and navigation data
2.2 数值相似性度量
(3)
式中，Ca、Cb分别表示基础案例与导航数据连通度值。
(4)
3 道路选取知识推理
本体为道路选取提供了领域知识共享基础，但难以表示选取过程的动态知识[35]。而语义 规则语言(semantic web rule language，SWRL)可基于自定义的专家规则实现知识推理，进一步增强本体的逻辑性。
3.1 SWRL规则
(5)
图 6 SWRL组织结构及其与本体间关系
Fig. 6 Structure and relationship of SWRL and ontology
表 3 SWRL规则示例Tab. 3 Examples of SWRL rules
3.2 SWRL规则推理
道路选取知识推理主要通过Java expert systems shell(Jess)推理引擎实现(图 7)，其中推理引擎将本体模型和SWRL规则分别转换为事实库和规则库，利用推理机对基础规则进行组合与筛选，更新领域知识。
图 7 基于规则的Jess引擎推理Fig. 7 Jess engine reasoning based on rules
表 4 SWRL规则描述示例Tab. 4 Examples of SWRL rules
4 试验与分析
4.1 试验数据与流程
图 8 试验流程Fig. 8 Experimental procedure
(1) 数据处理。对案例数据、导航数据、OSM数据进行断链并构建道路stroke，提取等级、长度特征项，根据道路对偶图计算连通度、接近度、中介度特征项。
(2) 本体构建。以处理后的多源数据为基础，提取道路选取本体领域概念、实体及其关系，构建本体模型。
(3) 相似性度量。利用相似性模型计算本体概念相似度，消除基础案例与试验数据的语义差异。具体包括：基于道路等级概念层次树，计算语义特征项概念的相似性；利用相对距离及Jaccard系数，计算数值特征项概念的相似性。
(4) 知识推理。面向本体模型构建SWRL规则，分别转换为Jess事实库与规则库，并利用Jess推理引擎实现制图综合知识推理，指导计算机自动获得实验数据道路选取方案。
4.2 试验结果分析
4.2.1 道路密集地区导航数据选取结果
图 9 导航数据及选取结果Fig. 9 Navigation data and selection result
图 10 道路选取结果对比Fig. 10 Comparison of road selection results
表 5 道路选取结果统计Tab. 5 Statistics of road selection results
4.2.2 道路稀疏地区OSM数据选取结果
图 11 OSM数据及选取结果 Fig. 11 OSM data and selection result
5 结论
初审：张 琳
复审：宋启凡
终审：金 君
往期推荐
资讯
○ 中国林科院“激光雷达遥感”创新团队博后招聘
○ 武汉市水务科学研究院遥感信息专业技术人员招聘公告
○ 中山大学测绘科学与技术学院2022年硕士研究生调剂公告（第二轮）
○ 浙江大学先进计算与人工智能实验室2022年招聘启事
○ 2022年后人工智能/深度学习八大应用方向
○ 两所“双一流”大学，设立雄安校区！
会议
○ “第二届新型基础测绘高峰论坛”会议日程来啦！
○ 第二届“地理资源青年创新论坛”一号通知
○ Geoinformatics 2022 暨CPGIS成立30周年年会（二号通知）
○ 会议通知 | 第三届IEEE地质、测绘与遥感国际学术会议
《测绘学 》
○ 测绘学 | 晏雄锋：建筑物形状特征分析表达与自适应化简方法
○ 测绘学 | 邓敏：多尺度空间同位模式挖掘的点过程分解方法
○ 测绘学 | 马张烽：空间 络对时序InSAR相位解缠的影响——以Delaunay与Dijkstra 络为例
○ 测绘学 |葛小三：基于生成对抗 络的建筑物损毁检测
《测绘通 》
○ 《测绘通 》2022年第1期目录
○ 《测绘通 》2022年第2期目录
○ 地市级实景三维城市建设及应用
○ 像控点布设对勘测定界复杂区域实景建模精度的影响
《北京测绘》
○《北京测绘》2022年第2期摘要推荐
○《北京测绘》2022年第1期摘要推荐
○《北京测绘》2021年第12期摘要推荐
○《北京测绘》2021年第11期摘要推荐
《测绘科学技术学 》
○ 摘要 |《测绘科学技术学 》2021年第2期摘要推荐
○ 摘要 |《测绘科学技术学 》2021年第4期摘要推荐
○ 摘要 |《测绘科学技术学 》2021年第5期摘要推荐
○ 摘要 |《测绘科学技术学 》2021年第6期摘要推荐
《地球信息科学学 》
○ 《地球信息科学学 》2022年第3期佳文推介
○ 龚健雅院士：全球位置信息叠加协议与位置服务 技术研究进展与展望
○ 专题征稿：地球信息科学技术在旅游休闲领域的应用
○ 专刊征稿：社会感知与地理大数据挖掘（征稿中）
《测绘工程》
○ 摘要 |《测绘工程》2021年第5期摘要推荐
○ 摘要 |《测绘工程》2021年第6期摘要推荐
○ 摘要 |《测绘工程》2022年第1期摘要推荐
○ 佳文推介 | 单目视觉技术在室内定位中的应用研究
《中国空间科学技术》
○《中国空间科学技术》2022年第2期摘要
○《中国空间科学技术》2022年第1期摘要
○《中国空间科学技术》2021年第6期摘要
○《中国空间科学技术》2021年第5期摘要推荐
《卫星应用》
○《卫星应用》2022年第02期摘要
○《卫星应用》2022年第01期摘要
○《卫星应用》2021年第12期摘要
○《卫星应用》2021年第11期摘要
《Journal of Geodesy and Geoinformation Science》
○《测绘学 （英文版）》专刊征稿 | 地图学与地球空间信息教育：理论与实践
○ 《测绘学 （英文版）》专刊征稿 | 用于三维地理信息的摄影测量和计算机视觉
○ 高被引论文 | 《测绘学 （英文版）》（JGGS）佳文推荐
○ 高被引论文 | 《测绘学 （英文版）》（JGGS）佳文推荐
○ InSAR专刊 | 《测绘学 （英文版）》（JGGS）2022年第1期发布
《Satellite Navigation》
○ 徐元博士：面向有色测量噪声下UWB/INS组合行人导航的分布式卡尔曼滤波| SANA佳文速递
○ 杨飞博士：GNSS天顶对流层精化模型的构建与分析| SANA佳文速递
○ 2022征文| SatNav“普适定位、室内导航与基于位置服务”专题
○ 2022征文| SatNav“GNSS地学应用”专题
《自然资源遥感》
○ 摘要 |《自然资源遥感》2022年第1期摘要推荐
○ 《自然资源遥感》征稿：“海岸带空间资源及生态健康遥感监测”专栏
○ 摘要 |《自然资源遥感》2021年第3期摘要推荐
○ 摘要 |《自然资源遥感》2021年第4期摘要推荐
《Journal of Geovisualization and Spatial Analysis》
○《Journal of Geovisualization and Spatial Analysis》入驻“智绘科服”融媒体平台！
○ JGSA国际期刊2021年第5卷第2期论文摘要
○ 高被引论文推荐 | Journal of Geovisualization and Spatial Analysis
《全球定位系统》
○《全球定位系统》入驻“智绘科服”融媒体平台！
○ 《全球定位系统》论文推荐 | 刘光明：我国常用地心坐标系的现状与发展
○《全球定位系统》2022年第1期目次
声明：本站部分文章内容及图片转载于互联 、内容不代表本站观点，如有内容涉及侵权，请您立即联系本站处理，非常感谢！