道路網(wǎng)選取的案例與本體推理方法

郭 漩，錢海忠，王 驍，劉俊楠，鐘 吉

1. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450000； 2. 信息工程大學(xué)數(shù)據(jù)目標(biāo)與工程學(xué)院，河南 鄭州 450000

道路網(wǎng)是地圖要素的重要組成部分，是用圖者與制圖員重點(diǎn)關(guān)注和獲取的內(nèi)容[1]。在比例尺縮小的情況下，由于受地圖表達(dá)的限制，需對(duì)路網(wǎng)進(jìn)行綜合，以正確反映制圖區(qū)域地理特征[2-3]。但制圖綜合過(guò)程通常需兼顧多個(gè)指標(biāo)進(jìn)行模糊決策，簡(jiǎn)單的選取模型及案例類比等方法容易出現(xiàn)噪聲和沖突，無(wú)法滿足復(fù)雜道路網(wǎng)選取的要求。因此亟須以綜合知識(shí)為基石，利用知識(shí)表示和推理手段，對(duì)制圖綜合知識(shí)進(jìn)行組織管理，并進(jìn)一步從算法模型走向知識(shí)挖掘，促進(jìn)道路網(wǎng)選取方法向自動(dòng)化與智能化方向發(fā)展。

道路網(wǎng)選取的本質(zhì)是對(duì)路網(wǎng)重要性進(jìn)行評(píng)估，目前主要包括基于傳統(tǒng)數(shù)學(xué)模型和智能模型兩類方法。前者通過(guò)對(duì)道路的語(yǔ)義信息、幾何特征、拓?fù)潢P(guān)系、空間分布特征進(jìn)行分析，計(jì)算重要性評(píng)價(jià)指數(shù)。典型方法包括基于網(wǎng)眼密度的方法[4]，基于Stroke及其約束的方法[5-6]，基于骨架層次的方法[7]，以及基于圖論等方法[8-9]。但道路網(wǎng)選取具有高度不確定性和系統(tǒng)復(fù)雜性，數(shù)學(xué)模型難以整合運(yùn)用綜合知識(shí)，無(wú)法形式化反映制圖專家的思維過(guò)程。因此部分學(xué)者引入智能模型，建立制圖綜合知識(shí)法則，相繼提出了基于遺傳算法[10]、基于決策樹[11]的選取方法，同時(shí)神經(jīng)網(wǎng)絡(luò)等人工智能優(yōu)秀成果也為道路網(wǎng)選取提供了重要的參考依據(jù)[12-13]。這些方法雖然彌補(bǔ)了傳統(tǒng)數(shù)學(xué)模型的缺陷，但知識(shí)獲取及形式化表達(dá)困難，缺乏自主學(xué)習(xí)和自適應(yīng)性。近年來(lái)，基于案例推理(case-based reasoning,CBR)的道路網(wǎng)選取方法受到廣泛關(guān)注，該方法通過(guò)記錄制圖專家綜合結(jié)果構(gòu)建案例庫(kù)，利用類比推理思想對(duì)專家案例進(jìn)行知識(shí)挖掘，具有簡(jiǎn)化知識(shí)獲取、改善求解質(zhì)量等優(yōu)點(diǎn)[14-15]。但目前案例庫(kù)容易出現(xiàn)噪聲和沖突，難以進(jìn)行知識(shí)推理，部分選取結(jié)果還需交由人工處理。

針對(duì)以上問(wèn)題，本文提出一種利用本體技術(shù)組織案例并進(jìn)行知識(shí)推理的道路網(wǎng)選取方法。

1 知識(shí)表示與推理

1.1 知識(shí)表示

知識(shí)表示指將人類知識(shí)概念化或形式化，運(yùn)用符號(hào)、算法或狀態(tài)圖等描述待求解問(wèn)題[16]。道路網(wǎng)選取需要明確的制圖規(guī)則和專家知識(shí)，而知識(shí)的形式化表達(dá)制約智能綜合的發(fā)展[17]?，F(xiàn)有地圖成果中隱含大量綜合知識(shí)，可通過(guò)匹配地圖數(shù)據(jù)自動(dòng)獲取案例，降低知識(shí)的形式化表達(dá)難度。案例C采用三元法進(jìn)行表示見式(1)，包括案例對(duì)象O、案例特征項(xiàng)F、綜合標(biāo)記L

Case:〈O,F,L〉

(1)

隨著案例數(shù)目的增加，案例匹配和檢索效率逐漸下降，為提高其表示規(guī)范性，本文利用本體O描述道路網(wǎng)選取案例。本體由事實(shí)集合(assertional box，ABox)和術(shù)語(yǔ)集合(terminological box，TBox)組成，通過(guò)圖結(jié)構(gòu)實(shí)現(xiàn)復(fù)雜案例及道路網(wǎng)選取知識(shí)的表示和組織[18]。其中ABox表示具體案例和對(duì)象知識(shí)，TBox表示由ABox提取的領(lǐng)域概念，包括案例結(jié)構(gòu)和道路網(wǎng)選取通用知識(shí)(圖1)。本文采用資源描述框架(resource description framework,RDF)三元組表示知識(shí)，即類Cclass或概念Cconcepts、關(guān)系Rrelations和實(shí)例Iinstances[19]見式(2)。類或概念表示對(duì)象集合，關(guān)系表示概念間作用，實(shí)例代表對(duì)象元素，如〈道路,hasProperty,等級(jí)〉表示“道路”概念擁有“等級(jí)”屬性

圖1 知識(shí)表示抽象結(jié)構(gòu)Fig.1 Abstract structure of the knowledge represents

O=〈C,R,I〉

(2)

本體描述語(yǔ)言O(shè)WL(web ontology language)的邏輯核心是具有可判定性的描述邏輯[20](description logic，DL)，而描述邏輯是計(jì)算機(jī)表達(dá)存儲(chǔ)和計(jì)算推理的基礎(chǔ)。本文借助描述邏輯提供的合取(∩)、析取(∪)、存在性限定(?)等構(gòu)造算子，通過(guò)簡(jiǎn)單概念實(shí)現(xiàn)復(fù)雜概念和關(guān)系的定義。部分OWL與DL對(duì)應(yīng)關(guān)系見表1，其中“?hasProperty.等級(jí)”表示具有等級(jí)屬性的案例對(duì)象集合，“?hasProperty.選取∩道路”表示被選取的道路集合。

表1 OWL描述與DL語(yǔ)法對(duì)應(yīng)關(guān)系

1.2 知識(shí)推理

知識(shí)推理是計(jì)算機(jī)智能最直接的體現(xiàn)，指利用形式化知識(shí)進(jìn)行推理并求解實(shí)際問(wèn)題[16]。目前案例推理大多以靜態(tài)框架表達(dá)知識(shí)，而本體以語(yǔ)義為先決條件，通過(guò)增加語(yǔ)義知識(shí)提高人機(jī)交互能力，更加符合道路網(wǎng)選取的動(dòng)態(tài)特征。本文主要涉及的推理方法包括：本體規(guī)則擴(kuò)展、語(yǔ)義知識(shí)映射、幾何特征查詢。

(1) 本體規(guī)則擴(kuò)展指借助本體明確的概念定義及其豐富的語(yǔ)義關(guān)系進(jìn)行查詢擴(kuò)展，從而獲得更多路網(wǎng)屬性特征和綜合知識(shí)[21]，本文主要涉及屬性擴(kuò)展和層次擴(kuò)展。

(2) 語(yǔ)義知識(shí)映射以描述邏輯為基礎(chǔ)，通過(guò)將案例設(shè)計(jì)過(guò)程中的靜態(tài)信息轉(zhuǎn)換為伴隨系統(tǒng)運(yùn)行的動(dòng)態(tài)語(yǔ)義知識(shí)，實(shí)現(xiàn)案例數(shù)據(jù)庫(kù)與本體知識(shí)庫(kù)的匹配。

(3) 幾何特征查詢將SPARQL(SPARQL protocol and RDF query language)這一圖查詢語(yǔ)言[22]作為圖模板，根據(jù)匹配成功的具體數(shù)值，構(gòu)建數(shù)據(jù)幾何特征與本體的映射關(guān)系。

借助本體規(guī)則擴(kuò)展消除噪聲與沖突案例，通過(guò)語(yǔ)義映射和SPARQL查詢，匹配待選取路網(wǎng)數(shù)據(jù)的語(yǔ)義、幾何特征，依據(jù)本體概念與實(shí)例間關(guān)系判斷道路網(wǎng)選取方案，促進(jìn)制圖綜合從數(shù)據(jù)和算法互聯(lián)走向知識(shí)互聯(lián)，實(shí)現(xiàn)不同專家及系統(tǒng)間的知識(shí)理解[23-24]。

2 道路網(wǎng)選取知識(shí)庫(kù)構(gòu)建

構(gòu)建完善的知識(shí)庫(kù)是計(jì)算機(jī)實(shí)現(xiàn)知識(shí)推理的基礎(chǔ)，可借助系列比例尺地圖數(shù)據(jù)自動(dòng)獲取道路網(wǎng)選取案例，填充ABox事實(shí)集合；再以案例內(nèi)容為界限，確定本體領(lǐng)域范圍，并根據(jù)地圖編制規(guī)范完善TBox術(shù)語(yǔ)集合，為道路網(wǎng)選取知識(shí)推理奠定基礎(chǔ)。

2.1 道路選取案例獲取

以往案例獲取主要來(lái)源于對(duì)制圖專家綜合操作的實(shí)時(shí)記錄，該方法依賴人工操作效率低下，而已有地圖數(shù)據(jù)中蘊(yùn)含了大量的制圖綜合行為，因此通過(guò)對(duì)比同一地區(qū)系列比例尺地圖數(shù)據(jù)，自動(dòng)獲取道路網(wǎng)選取案例。其中路網(wǎng)選取重點(diǎn)在于特征項(xiàng)的提取，道路選取原則包括：優(yōu)先選取重要道路、保證與居民地選取相適應(yīng)、保持路網(wǎng)平面圖形特征、保持不同地區(qū)的道路密度比[2]。通過(guò)對(duì)相關(guān)文獻(xiàn)分析并結(jié)合試驗(yàn)數(shù)據(jù)特征，選用道路等級(jí)、長(zhǎng)度、路網(wǎng)密度、鄰近居民地個(gè)數(shù)4個(gè)指標(biāo)作為案例特征項(xiàng)，具體描述見表2。

表2 道路網(wǎng)選取案例特征項(xiàng)

同名線要素道路實(shí)體在位置、方向等方面具有較高相似性，參考文獻(xiàn)[25—26]，利用緩沖區(qū)及計(jì)算面積重疊率的方法進(jìn)行道路網(wǎng)同名實(shí)體匹配，既能保證計(jì)算效率又能滿足匹配需要。首先，根據(jù)專家經(jīng)驗(yàn)設(shè)置不同比例尺緩沖區(qū)半徑，分別對(duì)綜合前后的道路網(wǎng)R構(gòu)建緩沖區(qū)，并計(jì)算面積重疊率。參考已有研究的試驗(yàn)經(jīng)驗(yàn)和結(jié)果，設(shè)定重疊率閾值為80%[25-26]，大于閾值則同名實(shí)體匹配成功，添加選取綜合標(biāo)記，否則匹配失敗。然后，計(jì)算長(zhǎng)度、密度等特征項(xiàng)，并通過(guò)判斷道路緩沖區(qū)與居民地H相交情況計(jì)算鄰近居民地個(gè)數(shù)。最后，基于三元法導(dǎo)出案例。表3為部分道路網(wǎng)選取案例，案例對(duì)象(O)包括綜合前道路、綜合后道路及其鄰近居民地(見表3“R1-3”、“R2-136”和“H1243”)；特征項(xiàng)(F)包括等級(jí)、長(zhǎng)度、路網(wǎng)密度、鄰近居民地個(gè)數(shù)；綜合標(biāo)記(L)包括指選取、刪除。案例推理根據(jù)匹配結(jié)果獲得解決方案，但當(dāng)匹配成功的選取與刪除案例個(gè)數(shù)相等時(shí)，類比推理不充分，無(wú)法判斷選取結(jié)果。因此需重新組織案例數(shù)據(jù)的相關(guān)概念和關(guān)系，并利用其他知識(shí)推理方式實(shí)現(xiàn)自主決策。

表3 道路網(wǎng)選取案例(部分)

2.2 本體知識(shí)庫(kù)構(gòu)建

本體知識(shí)庫(kù)通過(guò)將確定的領(lǐng)域知識(shí)轉(zhuǎn)換為本體模型進(jìn)而實(shí)現(xiàn)構(gòu)建[27]，其中領(lǐng)域知識(shí)是開放性的，無(wú)法明確概念范圍，而基于數(shù)據(jù)庫(kù)的本體構(gòu)建方法可根據(jù)案例蘊(yùn)含的語(yǔ)義信息，確定領(lǐng)域界限[28]。因此，本文基于案例組成要素提取相關(guān)概念和關(guān)系，并參考地圖編制規(guī)范補(bǔ)充領(lǐng)域知識(shí)(圖2)。這種方法忠于專家經(jīng)驗(yàn)，既能保證概念模型的完整性，又能實(shí)現(xiàn)案例數(shù)據(jù)與本體知識(shí)庫(kù)的映射，便于實(shí)現(xiàn)知識(shí)推理。

圖2 本體知識(shí)庫(kù)構(gòu)建流程Fig.2 Construction of ontology knowledge base

通過(guò)案例提取的領(lǐng)域概念和關(guān)系相對(duì)離散，需重新進(jìn)行組織，其中概念被轉(zhuǎn)換為本體的類，關(guān)系被轉(zhuǎn)換為對(duì)象屬性，具體包括4個(gè)步驟。①提取案例相關(guān)概念，其中“案例對(duì)象”包括“綜合前”、“綜合后”道路、“居民地”子概念；“特征項(xiàng)”包括“等級(jí)”、“長(zhǎng)度”等子概念；“綜合標(biāo)記”包括“選取”、“刪除”子概念。②提取特征項(xiàng)相關(guān)概念和實(shí)例，其中“等級(jí)”屬于語(yǔ)義特征項(xiàng)，直接構(gòu)建“四級(jí)”、“等外”等子概念。對(duì)于幾何特征項(xiàng)，本文利用二分k-means算法[29]將其屬性值聚類為若干區(qū)間實(shí)例，并通過(guò)最大、最小值限制條件定義取值范圍。如圖3長(zhǎng)度聚類區(qū)間(0.35,0.69]，本體實(shí)例“>0.35”通過(guò)“hasMax”與“hasMin”關(guān)系約束其最大值0.69 km與最小值0.35 km。③為不同概念增加“is-a”父子關(guān)系及“hasProperty”屬性關(guān)系[30]。其中屬性關(guān)系可描述概念間的共同特征或?qū)嵗g的專有特征，父子關(guān)系描述不同級(jí)概念間的上下位關(guān)系，部分父子關(guān)系還可指向概念自身，如圖3“長(zhǎng)度”概念。④根據(jù)文獻(xiàn)[31]補(bǔ)充其他相關(guān)概念和關(guān)系，為“等級(jí)”增加“市級(jí)”、“縣級(jí)”等描述居民地屬性特征的子概念，構(gòu)建其與“一級(jí)”、“二級(jí)”等概念間的“equivalentClass”相似關(guān)系，完善本體知識(shí)庫(kù)。圖3本體知識(shí)庫(kù)片段表示“C3”案例對(duì)綜合前四級(jí)道路“R1-3”執(zhí)行選取操作。

圖3 道路網(wǎng)選取知識(shí)庫(kù)部分片段Fig.3 Fragment of road network selected knowledge base

3 道路網(wǎng)選取知識(shí)推理

本體作為知識(shí)建模工具，具有良好的層次結(jié)構(gòu)，支持邏輯推理[28]。本文借助本體規(guī)則擴(kuò)展識(shí)別案例庫(kù)噪聲，消除沖突案例，并利用語(yǔ)義知識(shí)映射和幾何特征查詢將待選取數(shù)據(jù)的語(yǔ)義、幾何特征映射到本體知識(shí)庫(kù)，依據(jù)概念與實(shí)例間關(guān)系自動(dòng)判斷選取方案。

3.1 本體規(guī)則擴(kuò)展

本體規(guī)則擴(kuò)展指根據(jù)本體知識(shí)庫(kù)中概念間關(guān)系擴(kuò)展相關(guān)概念，假設(shè)存在概念集合C={Ci|i∈N}，關(guān)系Rm(m∈N)指概念Ci與其他概念的語(yǔ)義關(guān)系，則概念Ci沿關(guān)系Rm擴(kuò)展的檢索結(jié)果可定義為Q(Ci)={Cj|Rm(Cj,Ci)或Rm(Ci,Cj),i∈N,j∈N}。本文主要涉及領(lǐng)域知識(shí)和道路實(shí)體屬性特征，概念間的層次關(guān)系和屬性關(guān)系豐富，因此主要從層次和屬性擴(kuò)展兩方面實(shí)現(xiàn)知識(shí)推理。其中層次擴(kuò)展指根據(jù)某一實(shí)體所屬概念或某一概念所屬層次結(jié)構(gòu)，通過(guò)“is-a”父子關(guān)系擴(kuò)大或縮小概念范圍，如“道路”概念擴(kuò)展得到“綜合前”和“綜合后”兩個(gè)子概念，“一級(jí)”概念擴(kuò)展得到“等級(jí)”父概念。屬性擴(kuò)展指通過(guò)“hasProperty”屬性關(guān)系擴(kuò)展概念集合，如根據(jù)“道路”概念可獲取“等級(jí)”、“長(zhǎng)度”等概念。

傳統(tǒng)案例推理基于相似度匹配案例，但當(dāng)案例庫(kù)存在噪聲和沖突時(shí)，計(jì)算機(jī)無(wú)法自主決策[14]。圖4為噪聲舉例，綜合前“R1-57”與綜合后“R2-106”匹配成功，而綜合前“R1-58”由于緩沖區(qū)重疊率較小，認(rèn)為其與“R2-106”不是同名實(shí)體，路網(wǎng)匹配出現(xiàn)錯(cuò)誤。此外表3綜合前“R1-3”與“R1-4”的各特征項(xiàng)相似，但綜合標(biāo)記結(jié)果相反，案例出現(xiàn)沖突難以決策。因此需基于本體概念關(guān)系識(shí)別案例庫(kù)噪聲，并消除沖突案例。①噪聲案例識(shí)別過(guò)程。圖4案例表示如圖5(a)，通過(guò)概念層次擴(kuò)展、實(shí)例屬性擴(kuò)展發(fā)現(xiàn)，綜合前道路等級(jí)為四級(jí)，而綜合后為三級(jí)，推理出現(xiàn)矛盾，判斷其為噪聲并進(jìn)行刪除，以減弱對(duì)知識(shí)推理的錯(cuò)誤影響。②沖突案例消除過(guò)程。表3中C3、C4案例表示如圖5(b)所示，通過(guò)“道路”概念屬性擴(kuò)展，得到“居民地”、“等級(jí)”概念，即可推理出新規(guī)則：選取連接二級(jí)居民地的四級(jí)道路，刪除連接四級(jí)居民地的四級(jí)道路(圖5(c))，消除沖突案例。本文借助層次擴(kuò)展和屬性擴(kuò)展等本體規(guī)則，對(duì)原案例數(shù)據(jù)進(jìn)行清洗，為實(shí)現(xiàn)待選取數(shù)據(jù)與本體知識(shí)庫(kù)的映射奠定基礎(chǔ)。

圖4 案例庫(kù)噪聲舉例Fig.4 Example of case base noise

圖5 本體規(guī)則擴(kuò)展實(shí)例Fig.5 Instance of ontology rule extension

3.2 語(yǔ)義知識(shí)映射

消除噪聲和沖突后，還需借助描述邏輯，構(gòu)建待選取數(shù)據(jù)語(yǔ)義特征與本體知識(shí)庫(kù)的映射關(guān)系。語(yǔ)義知識(shí)映射形式化定義為m:Φ(S)→Ψ(O)，其中Φ(S)包括路網(wǎng)數(shù)據(jù)(S)的語(yǔ)義屬性字段及其值，Ψ(O)指本體(O)概念。參照關(guān)系數(shù)據(jù)庫(kù)和資源描述框架映射語(yǔ)言(RDB to RDF mapping language，R2RML)，本文通過(guò)“hasProperty”標(biāo)簽描述本體概念與實(shí)例間關(guān)系，通過(guò)“Mapping ToConcept”標(biāo)簽描述數(shù)據(jù)語(yǔ)義屬性字段及其值與本體的映射關(guān)系。

基于“?”、“?”等描述邏輯構(gòu)造算子聲明的映射關(guān)系表示如下。

m1：道路??hasProperty.等級(jí)。

m2：居民地??hasProperty.等級(jí)。

m3：Rank??MappingToConcept.等級(jí)。

m4：Rank2??MappingToConcept.二級(jí)。

m5：H975??hasProperty.Rank2∩?MappingToConcept.居民地。

m6：R291??hasProperty.Rank2∩?hasProperty.H975∩?MappingToConcept.道路……

其中，m1、m2表示“道路”、“居民地”概念擁有“等級(jí)”屬性。m3、m4分別表示待選取道路網(wǎng)數(shù)據(jù)“Rank”屬性字段與“等級(jí)”概念的對(duì)應(yīng)關(guān)系，“Rank2”屬性值與“二級(jí)”概念的映射關(guān)系。m5表示居民地“H975”等級(jí)為二級(jí)，m6表示待選取道路“R291”為二級(jí)道路，同時(shí)連接二級(jí)居民地。由此可將待選取道路實(shí)體的語(yǔ)義特征轉(zhuǎn)換為本體概念。

3.3 幾何特征查詢

除語(yǔ)義特征外，道路網(wǎng)選取還涉及眾多幾何特征，本體規(guī)則擴(kuò)展和語(yǔ)義知識(shí)映射主要依據(jù)概念的語(yǔ)義關(guān)系，無(wú)法直接應(yīng)用于數(shù)值知識(shí)推理。本文利用本體實(shí)例表示案例數(shù)據(jù)的幾何特征，通過(guò)“hasMax”與“hasMin”描述其數(shù)據(jù)屬性，并借助SPARQL查詢語(yǔ)句，構(gòu)建待選取數(shù)據(jù)數(shù)值屬性字段與本體知識(shí)庫(kù)的映射關(guān)系，具體的圖結(jié)構(gòu)查詢模板如圖6所示。判斷待選取數(shù)據(jù)“R291”的長(zhǎng)度屬性匹配情況，通過(guò)計(jì)算“l(fā)ength”與各實(shí)例最大值“max”、最小值“min”間關(guān)系，發(fā)現(xiàn)其為“≤0.69”區(qū)間實(shí)例的子實(shí)例(subInstanceof)，因此“R291”道路實(shí)體的長(zhǎng)度幾何特征與“≤0.69”本體實(shí)例匹配成功。同理匹配“路網(wǎng)密度”、“鄰近居民地個(gè)數(shù)”等其他幾何特征，通過(guò)概念與實(shí)例間的匹配情況，判斷該道路實(shí)體的綜合標(biāo)記類型，進(jìn)而指導(dǎo)計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)選取。

圖6 幾何特征查詢模板Fig.6 Geometric feature query template

4 試驗(yàn)與分析

4.1 試驗(yàn)數(shù)據(jù)與流程

本文試驗(yàn)數(shù)據(jù)來(lái)源于某地區(qū)系列比例尺道路網(wǎng)及居民地?cái)?shù)據(jù)，其中1∶1萬(wàn)比例尺為試驗(yàn)數(shù)據(jù)，1∶5萬(wàn)比例尺為參考數(shù)據(jù)。本文選擇城鄉(xiāng)鄰接地區(qū)作為待選取試驗(yàn)區(qū)域(圖7紅色虛線框內(nèi))，將其他部分作為案例區(qū)域，從中隨機(jī)抽取200條1∶1萬(wàn)比例尺道路數(shù)據(jù)作為案例，利用緩沖區(qū)匹配1∶5萬(wàn)比例尺同名道路實(shí)體，并提取緩沖區(qū)內(nèi)的居民地?cái)?shù)據(jù)，計(jì)算鄰近居民地個(gè)數(shù)。

圖7 試驗(yàn)區(qū)域示例Fig.7 Sample of experimental data

具體試驗(yàn)步驟與流程如圖8所示。

圖8 試驗(yàn)步驟與流程Fig.8 Experimental process and procedure

(1) 道路網(wǎng)選取案例獲取。首先對(duì)不同比例尺案例數(shù)據(jù)進(jìn)行接鏈并構(gòu)建緩沖區(qū)，若緩沖區(qū)面積重疊率大于閾值，則匹配成功，反之失敗；然后計(jì)算長(zhǎng)度、路網(wǎng)密度、鄰近居民地個(gè)數(shù)等特征項(xiàng)；最后通過(guò)三元法構(gòu)建案例，共獲得97個(gè)選取案例和103個(gè)刪除案例。

(2) 本體知識(shí)庫(kù)構(gòu)建?；诎咐M成要素提取道路、居民地相關(guān)概念及其關(guān)系，將等級(jí)語(yǔ)義特征項(xiàng)構(gòu)建為概念，將長(zhǎng)度、路網(wǎng)密度、鄰近居民地個(gè)數(shù)等幾何特征項(xiàng)構(gòu)建為區(qū)間實(shí)例，并參考地圖編制規(guī)范完善本體知識(shí)庫(kù)。

(3) 案例降噪和沖突消解。利用本體概念層次關(guān)系和對(duì)象屬性關(guān)系擴(kuò)展道路網(wǎng)選取規(guī)則，降低案例數(shù)據(jù)噪聲，識(shí)別并消除沖突案例，提高知識(shí)的準(zhǔn)確性。

(4) 待選取任務(wù)知識(shí)推理。計(jì)算試驗(yàn)區(qū)域1∶1萬(wàn)道路數(shù)據(jù)特征項(xiàng)，利用語(yǔ)義知識(shí)映射和幾何特征查詢構(gòu)建待選取數(shù)據(jù)語(yǔ)義、幾何特征與本體知識(shí)庫(kù)的映射關(guān)系，根據(jù)概念與實(shí)例的匹配結(jié)果獲得道路網(wǎng)選取方案。

4.2 試驗(yàn)結(jié)果分析

4.2.1 案例降噪與沖突消解分析

通過(guò)本體規(guī)則擴(kuò)展對(duì)200條原始案例數(shù)據(jù)進(jìn)行篩選，共識(shí)別噪聲案例13個(gè)，沖突案例31組(兩個(gè)沖突案例為一組)，原始案例庫(kù)的有效決策率為69%(表4)。試驗(yàn)首先借助本體規(guī)則判斷概念間的語(yǔ)義一致性，識(shí)別并剔除案例噪聲，將決策正確率暫時(shí)提高至100%。然后關(guān)聯(lián)居民地等級(jí)概念，豐富特征項(xiàng)，消除沖突案例24組，將仍然無(wú)法判斷的7組沖突案例歸類為噪聲。此時(shí)案例庫(kù)的有效決策率為92.5%，決策正確率為91.9%。因此基于本體規(guī)則擴(kuò)展的降噪和沖突消解在一定程度上提高了原始案例的準(zhǔn)確性和有效性。

表4 案例庫(kù)降噪與沖突消解結(jié)果

4.2.2 道路網(wǎng)選取對(duì)比分析

為驗(yàn)證本文方法的科學(xué)性，對(duì)試驗(yàn)區(qū)域1∶1萬(wàn)比例尺道路網(wǎng)數(shù)據(jù)進(jìn)行選取，選取結(jié)果如圖9(a)所示，參考綜合結(jié)果如圖9(b)所示。本文方法忠于專家經(jīng)驗(yàn)，僅存在少量不一致情況，用紅色標(biāo)記錯(cuò)誤選取道路，主要包括長(zhǎng)度較長(zhǎng)的四級(jí)道路，用藍(lán)色標(biāo)記錯(cuò)誤刪除道路，集中于長(zhǎng)度較短的等外道路。原因在于本文僅涉及4項(xiàng)特征項(xiàng)，還需構(gòu)建更加豐富的本體庫(kù)，獲得更多綜合規(guī)則。選取結(jié)果相關(guān)統(tǒng)計(jì)見表5，其中有效決策率為100%，說(shuō)明本文方法對(duì)道路網(wǎng)選取知識(shí)概括全面，無(wú)須人工交互即可獲得結(jié)果。決策正確率為90.69%，可較為準(zhǔn)確地反映制圖專家知識(shí)，實(shí)現(xiàn)道路網(wǎng)智能選取。

圖9 不同選取方法結(jié)果Fig.9 Selection result of different method

表5 本文方法選取結(jié)果統(tǒng)計(jì)

為進(jìn)一步驗(yàn)證方法合理性，利用ArcGIS細(xì)化道路網(wǎng)工具進(jìn)行對(duì)比試驗(yàn)，該工具可顧及路網(wǎng)密度及整體連通性，通過(guò)計(jì)算相應(yīng)比例尺下需清晰顯示的最短路段長(zhǎng)度，控制路網(wǎng)集合分辨率，進(jìn)而實(shí)現(xiàn)選取。對(duì)兩種方法選取結(jié)果進(jìn)行分級(jí)顯示，并統(tǒng)計(jì)不同等級(jí)路段選取比例(表6)，發(fā)現(xiàn)在道路等級(jí)方面，若保證總體選取比例一致，兩種方法選取的高等級(jí)路段情況基本一致，但本文方法選取的四級(jí)道路多36條，選取的等外道路少37條，能夠保留更多中等級(jí)路段。此外在結(jié)構(gòu)保持方面，ArcGIS選取方法產(chǎn)生的懸掛道路較多(圖10(b)虛線標(biāo)出)，本文方法保留了更多的完整網(wǎng)眼(圖10(a)虛線標(biāo)出)，能夠較好地保持道路網(wǎng)的整體結(jié)構(gòu)。

表6 不同選取方法結(jié)果統(tǒng)計(jì)

圖10 不同選取方法分級(jí)結(jié)果Fig.10 Grading result of different selection methods

5 結(jié) 論

本文提出了一種利用案例與本體技術(shù)進(jìn)行知識(shí)推理的道路網(wǎng)選取方法，即利用案例本體形式化表達(dá)知識(shí)，借助本體規(guī)則消除案例噪聲和沖突，并通過(guò)語(yǔ)義映射、圖查詢等方法匹配待選取數(shù)據(jù)特征，指導(dǎo)計(jì)算機(jī)進(jìn)行自動(dòng)選取。該方法忠于專家經(jīng)驗(yàn)，能夠降低決策難度，提高選取正確率，無(wú)須人工交互即可獲得選取結(jié)果，為智能化制圖綜合提供了思路。

本體庫(kù)的完善程度對(duì)道路網(wǎng)選取結(jié)果具有決定性影響，在后續(xù)研究中還需考慮路網(wǎng)連通性等其他特征，構(gòu)建更加完善的本體知識(shí)庫(kù)。此外如何將本體技術(shù)與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法進(jìn)行結(jié)合，提高道路網(wǎng)選取結(jié)果準(zhǔn)確率，也需進(jìn)行深入研究。