.png){kind=icon}
.png){kind=icon}
返回
Understanding Navigation-Lost Scenes Based on Knowledge Graphs Using a Deep Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1111/tgis.70192.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
定向障碍是日常导航中常见且具有重大影响的失效模式。本文通过将导航迷失（NL）场景建模为人与环境因素之间的结构化交互来应对这一问题。我们提出了导航迷失知识图谱（NLKG），一个包含24种实体类型和27种关系类型的概念框架，涵盖主观感知、交通方式以及客观环境背景（如天气、地形、道路布局）。为高效大规模构建NLKG，我们开发了一个三元组提取模型NavLTR，该模型包含处理嵌套语义、层级关系和城市功能类别的模块。为缓解数据稀缺问题并锚定评估，我们创建了导航迷失信息提取数据库（NIED），一个全面的领域语料库。在广泛基准测试中，NavLTR实现了最先进性能，F1分数达到92.82%，显著优于现有基线。我们展示了NLKG在两个下游应用中的实用价值：(i)一个原型问答系统，通过呈现上下文线索协助导航者；(ii)多视角图分析用于风险预测和因素归因，为城市寻路和空间设计提供可操作的见解。综合来看，这些贡献——模式、语料库和模式感知提取器——为NL场景理解的可复现框架奠定了基础，并提供了一条将非结构化叙事转化为上下文感知地理空间推理的实用路径，使终端用户和城市规划者均受益。
Keyword:
knowledge graph
multi-source data integration
navigation decisions
navigation-lost
spatiotemporal information extraction