.png){kind=icon}
返回
A road generalization method using graph convolutional network based on mesh-line structure unit
.png){kind=icon}
OA
AI
DOI：10.1080/10106049.2024.2413549.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路网简化是一个复杂的决策过程。这种多因素决策和缩放操作传统上应用基于规则的方法。这些规则的建立和调整涉及许多人为设定的参数和条件，这使得广义结果与制图师的经验和习惯密切相关。另一方面，现有的方法倾向于在不同的算法中分别考虑单个结构，例如笔划，网格和图形网络，缺乏将这些方法的优点结合在一起的解决方案。针对上述问题，本研究在基于图的深度学习网络的支持下，设计了一种使用网格线结构单元 (MLSU) 同时考虑折线和多边形特征的简化方法。为了进行泛化决策，构建了基于图卷积网络 (GCN) 的模型，并使用真实数据进行训练，从而实现了道路网络的选择性省略。实验结果表明，该方法有效地实现了道路自动综合。该方法利用图卷积神经网络技术构建道路泛化模型，能够有效结合地理领域知识与数据驱动方法的优势。针对道路泛化任务提出了一种新的特定MLSU结构，该结构将道路网格与道路本身相结合，使其能够捕获更多与道路相关的特征，并在深度学习网络模型中替代道路进行训练。本文提出的道路综合方法综合考虑了道路本身，道路网络和相邻网格多边形，从而结合了基于图论的传统方法的优点，笔划和网格合并。
Keyword:
Map generalization
road network
GCN
mesh-line structure unit
期刊
IF:
3.5
论文数:
2.4K
被引数:
6.9K
机构
引用论文
.png){kind=icon}
A framework for urban land use classification by integrating the spatial context of points of interest and graph convolutional neural network method集成兴趣点空间上下文和图卷积神经网络方法的城市土地利用分类框架
PREAI
分享收藏Generating hierarchical strokes from urban street networks based on spatial pattern recognition
PREAI
分享收藏Selective omission of road features based on mesh density for automatic map generalization基于网格密度的道路特征选择性省略，用于自动地图综合
PREAI
分享收藏Developing a multiview spatiotemporal model based on deep graph neural networks to predict the travel demand by bus基于深度图神经网络的多视图时空模型预测公交出行需求
PREAI
分享收藏
查看更多内容