摘要：路網(wǎng)數(shù)據(jù)融合是路網(wǎng)數(shù)據(jù)更新以及提升數(shù)據(jù)質(zhì)量的重要方法之一。而路網(wǎng)數(shù)據(jù)融合的關鍵技術在于路網(wǎng)匹配。結(jié)合路網(wǎng)數(shù)據(jù)源的特點，提出了一種顧及路段和結(jié)點拓撲關系，基于語義、幾何和拓撲多種相似度量指標的路網(wǎng)匹配算法。通過實驗表明，該算法能在不同尺度的路網(wǎng)數(shù)據(jù)中準確識別出互相匹配的路段,具備可操作性和實用性。

　　關鍵詞：路網(wǎng)匹配；拓撲關系；相似度量指標

0引言

　　隨著計算機技術的不斷發(fā)展，地理信息系統(tǒng)（Geographic Information System, GIS）的運用已經(jīng)涵蓋各行各業(yè)。在道路交通領域，已經(jīng)將GIS用于車輛導航、路政設施管理、交通規(guī)劃、路面管理等各個方面。目前，我國路網(wǎng)建設發(fā)展迅猛，道路空間位置和屬性變化周期大大縮短。及時準確地掌握道路空間數(shù)據(jù)，維護數(shù)據(jù)的現(xiàn)勢性，關系到基于路網(wǎng)空間信息各種服務的準確性和有效性。由于空間數(shù)據(jù)采集周期長，花費代價大，特別是路網(wǎng)數(shù)據(jù)其變化周期短，因此很難及時有效地進行更新。在目前的GIS應用中，已經(jīng)采用匹配技術將不同來源和不同尺度的數(shù)據(jù)源進行融合和集成，用以提高數(shù)據(jù)的質(zhì)量，解決數(shù)據(jù)不一致等問題［1］。在路網(wǎng)匹配研究中，研究人員已經(jīng)提出了許多路網(wǎng)匹配算法［2-7］，但主要是針對特定的數(shù)據(jù)源，而且算法主要依靠路段自身的相似性進行度量，并沒有顧及路網(wǎng)整體結(jié)構(gòu)的影響和制約。因此，本文根據(jù)數(shù)據(jù)源的特點，提出一種顧及路段和結(jié)點的拓撲關聯(lián)關系并基于語義、幾何和拓撲多種相似度量指標的路網(wǎng)匹配算法，并利用ArcGIS平臺和Python腳本語言來開發(fā)了相應的路網(wǎng)匹配腳本工具。

1路網(wǎng)匹配相似度量指標確立

　　路網(wǎng)匹配主要是根據(jù)不同數(shù)據(jù)源中對同名道路實體的識別和數(shù)據(jù)交換，主要識別路網(wǎng)中的同名路段和同名結(jié)點。根據(jù)路網(wǎng)空間的數(shù)據(jù)特點對同名實體之間的相似性進行判斷，以此來判斷是否相互匹配。本文根據(jù)數(shù)據(jù)源的特點，建立如下幾種相似度量指標。

　　11語義

　　空間數(shù)據(jù)具備豐富的屬性信息，即語義信息。如描述道路的名稱、寬度、長度等屬性。由于數(shù)據(jù)的多來源和多尺度特點，往往存在屬性缺失?；蛴捎诟髯灶I域和專業(yè)的使用習慣、命名方式和專業(yè)術語的不同，導致屬性項的不同。因此語義相似度的計算對數(shù)據(jù)模型和屬性數(shù)據(jù)模型的依賴很大［1］，往往不同的數(shù)據(jù)需要采用不同的計算方式。但是在局部區(qū)域中，不同來源的路網(wǎng)空間數(shù)據(jù)，如果存在對道路實體唯一和非歧義的描述（例如道路名稱），即可認為是同名路段。使用道路名稱進行相似度量的前提是數(shù)據(jù)源對道路名稱描述的字段必須非空。

　　12幾何

　　在GIS數(shù)據(jù)庫中，路網(wǎng)數(shù)據(jù)一般以ployline和point的形式進行存儲。路段由ployline構(gòu)成，point是路段的端點和路段之間的交點。ployline由一系列的點按順序構(gòu)成，因此道路實體的相似可以采用距離和方向等幾何特征來度量。在道路空間數(shù)據(jù)中，距離主要用來描述實體之間的位置關系。這里使用歐式距離來進行表示，其計算公式為：

　　其中D 表示點(xs,ys)和點(xt,yt)之間的距離。其主要用于點和點之間、點和線之間匹配的距離度量。由于道路實體由ployline的形式進行存儲，一條ployline一般由若干個具有坐標的隱藏折點組成的多條線段構(gòu)成，如圖1所示。

　　兩條路段的空間距離可以通過計算一條路段上的折點P1、P2,…,Pn到另一道路段的最短歐式距離di(i=1,2,…,n)，如圖2所示。然后統(tǒng)計最短距離小于距離閾值Δd的個數(shù)，記為m。m/n的值越接近1，則兩條路段互為同名路段的可能性越大。

　　方向主要用來判斷道路實體的“走向”，是相似性度量的一個重要參數(shù)。方向主要用路段首尾結(jié)點形成的角度來表示，如圖3所示。

　　弧段的首尾結(jié)點坐標分別為P0(x0,y0)和Pn(xn,yn)，路段的方向角度α可以用計算公式表示為：

　　13拓撲

　　拓撲相似是指不同數(shù)據(jù)源路段與結(jié)點構(gòu)成的拓撲關系相同的程度。其主要由連接結(jié)點的路段數(shù)量（即結(jié)點的度）以及與結(jié)點關聯(lián)路段的方向來進行比較和判斷［8］。道路結(jié)點的度類型如表1所示。表1道路結(jié)點的度類型結(jié)點類型結(jié)點的度1234

　　當數(shù)據(jù)尺度差異較大時，依靠結(jié)點度無法進行拓撲相似度的判斷。如圖4所示，結(jié)點A1和B1在空間距離上非常相近，而且具有相同的度，但其不是相互匹配的結(jié)點。因此，采用與結(jié)點關聯(lián)路段的方向來對結(jié)點的類型進行進一步的判別。以結(jié)點作為原點，建立平面直角坐標系，計算路段的方向，根據(jù)其與X軸正方向形成的角度，進一步確定結(jié)點是否匹配。

　　14路段匹配判定標準

　　由于道路網(wǎng)是一個整體的空間結(jié)構(gòu)，如果單獨采用上述特性進行相似判斷，必然會產(chǎn)生較大的錯誤。因此，本文根據(jù)道路網(wǎng)路段和結(jié)點的拓撲關系，建立參考路網(wǎng)數(shù)據(jù)R和目標路網(wǎng)數(shù)據(jù)T路段之間多個度量指標約束的匹配判定標準。如下式所示：

　　式中β表示折點-線匹配的比例系數(shù)的閾值；Dir_Diff(Erij,Etij)表示與結(jié)點關聯(lián)路段的方向角度差，Δα表示角度差閾值；Dis(node(Nri),node(Nti))表示路段對應結(jié)點之間的距離，Δd表示距離閾值；RoadnameErij和RoadnameEtij表示目標路段和參考路段名稱，該約束條件在道路名稱屬性不為空的情況下成立。

2匹配算法過程

　　一般來說，在路網(wǎng)拓撲中，兩條對應的匹配路段，其對應的結(jié)點是匹配的。而兩條路段的結(jié)點匹配，不一定能保證路段之間匹配，但是可以作為路段匹配的約束。根據(jù)上述原則建立的匹配標準，本文從語義、拓撲和幾何三個層次進行路網(wǎng)匹配，通過結(jié)點和路段之間的依賴關系，來確定匹配路段和結(jié)點。如圖5所示?！?/p>

　　匹配算法的基本思路如下：

　　(1)根據(jù)道路名稱，選取小比例尺的參考數(shù)據(jù)R=(Er,Nr)和大比例尺的目標數(shù)據(jù)T=(Et,Nt)，道路名稱相同的路段Erij、Etij，確定為初始匹配路段，記為初始匹配路段集ME={Erij,Etij}。

　　(2)計算初始匹配路段首尾結(jié)點NRi、NTi的空間歐式距離d。若d小于距離閾值Δd，則結(jié)點之間相互匹配，記為匹配結(jié)點集MN={NRi,NTi}。

　　(3)遍歷匹配結(jié)點集MN，選取匹配結(jié)點NRi、NTi關聯(lián)，且方向角度差Δα在閾值之內(nèi)未匹配路段，根據(jù)式(3)計算指標m/n和結(jié)點之間的距離。若均在閾值范圍內(nèi)，則認為路段是匹配的，即同名路段。將其加入匹配路段集ME，將與其關聯(lián)的結(jié)點加入匹配結(jié)點集MN。

　　(4)不斷重復步驟(2)和(3)，直至參考數(shù)據(jù)中路段和結(jié)點全部遍歷。

　　完成上述步驟后，能將大部分的同名道路實體識別出來，主要是進行路段1：1的匹配。但由于路網(wǎng)數(shù)據(jù)的采集來自不同的部門，因此對道路實體的空間描述和表達存在較大的差異，使得同名道路實體具備多種匹配關系，如圖6所示，實線表示小比例尺的參考數(shù)據(jù)R，虛線表示大比例尺目標數(shù)據(jù)T。

　　在未匹配的路段中，可能存在n:1、1:n和m:n三種匹配關系。通過對參考數(shù)據(jù)集中路段建立一定距離閾值的緩沖區(qū)［5］，根據(jù)緩沖區(qū)與目標數(shù)據(jù)集中路段的位置關系確定候選匹配路段，最后根據(jù)相似度量指標確定候選匹配路段是否與參考路段匹配。其原理如下：

　　(1)對于1:n匹配類型，以參考數(shù)據(jù)中的路段r1，建立半徑為ΔD的緩沖區(qū)，如圖7(a)所示。對落在緩沖區(qū)中的一系列目標弧段{t1,t2,…,tn}，根據(jù)拓撲關聯(lián)關系進行連接，將連接后的弧段與參考弧段r1根據(jù)式(3)進行相似度量，判斷其是否匹配。

　　(2)對于n:1和m:n的匹配類型，參考路段建立緩沖區(qū)后，可能沒有完全落在緩沖區(qū)內(nèi)的目標路段，若緩沖區(qū)內(nèi)沒有目標路段，說明該參考路段無匹配路段。若緩沖區(qū)內(nèi)只存在目標路段的一部分，如圖7(b)所示，r2建立緩沖區(qū)后并沒有將t1完全包含進去，這時選擇與r2關聯(lián)的一條路段。這里假設選取r3，將r2和r3合并成一條路段，再創(chuàng)建緩沖區(qū)，緩沖區(qū)將包含目標路段t1和t2。然后根據(jù)式(3)判斷r2、r3和t1、t2構(gòu)成的整體路段是否匹配。若r2、r3構(gòu)成的整體路段形成的緩沖區(qū)還未完全包含參考路段，則繼續(xù)連接其關聯(lián)路段創(chuàng)建緩沖區(qū)，直到緩沖區(qū)存在完整的目標路段。

　　在緩沖區(qū)增長法匹配中，可能會出現(xiàn)如圖8所示的情況。t3、t4構(gòu)成的路段與t1、t2、t3構(gòu)成的路段均可作為參考路段r1的候選匹配路段。在這種情況下，選取各指標值更加接近的一組作為匹配路段，即選擇t1、t2、t3與r1匹配。

　　綜上所述，匹配策略主要流程為：先根據(jù)道路名稱進行初始路段匹配；由初始匹配路段確定初始匹配結(jié)點；由匹配判斷標準判斷與初始結(jié)點關聯(lián)路段的是否匹配，完成路段的1∶1匹配；在未匹配的路段中，對非1∶1匹配采用緩沖區(qū)增長匹配進行匹配判定。其具體流程如圖9所示。

3算例分析

　　根據(jù)上述匹配算法，本文利用ArcGIS平臺，結(jié)合Python腳本語言開發(fā)了路網(wǎng)匹配工具。在Python中通過導入ArcPy站點包來訪問ArcGIS的地理處理功能，通過OGR包來讀取道路空間數(shù)據(jù)，并獲取數(shù)據(jù)的屬性信息和幾何信息。利用Python中的函數(shù)來進行匹配指標計算。

　　選取面積約為38平方公里的某地區(qū)內(nèi)的不同尺度的路段數(shù)據(jù)，對本文提出的匹配算法進行驗證。以小比例尺的作為參考數(shù)據(jù)，大比例尺的作為目標數(shù)據(jù)，如圖10所示。

　　對提取的路網(wǎng)數(shù)據(jù)進行拓撲處理和提取結(jié)點，生成參考路段507條，目標路段1 203條；參考結(jié)點324個，目標結(jié)點805個。再對路網(wǎng)數(shù)據(jù)進行校準和疊加，如圖11所示。從圖中可以看出，盡管路網(wǎng)數(shù)據(jù)的吻合度較高，但是在局部地區(qū)仍然存在著一定的差異。

　　利用路網(wǎng)匹配工具箱對路網(wǎng)進行匹配，根據(jù)數(shù)據(jù)的精度和質(zhì)量，設置比例系數(shù)為80%，距離閾值為30 m，方向角度差閾值為15度，緩沖區(qū)半徑為40 m。匹配結(jié)果如圖12所示。對匹配結(jié)果進行統(tǒng)計，路段的匹配率為94%。對不能進行匹配的路段進行分析發(fā)現(xiàn)，由于數(shù)據(jù)受到采集以及繪制等各類因素影響，其質(zhì)量無法得到完全保證。在局部區(qū)域，

　　存在著數(shù)據(jù)差異過大的情況，因此導致匹配失敗。但是匹配結(jié)果能與人工檢查結(jié)果保持一致，能將匹配和未匹配的數(shù)據(jù)進行分離，方便對未匹配的路段進行人工檢查，具備可操作性和實用性。

4結(jié)論

　　本文針對不同尺度下路網(wǎng)匹配的問題，提出一種顧及路段和結(jié)點的拓撲關聯(lián)關系并基于語義、幾何和拓撲多種指標的路網(wǎng)匹配算法。其充分利用了路網(wǎng)中結(jié)點和路段的拓撲關系，顧及了路網(wǎng)的整體性，而且不需要進行復雜的計算及對路網(wǎng)數(shù)據(jù)進行過多的分段處理，使得匹配工作更容易實現(xiàn)。實驗表明，該算法具有實用性和可操作性。

參考文獻

　?。?］ 唐文靜.多源地理空間矢量數(shù)據(jù)融合［M］.北京：清華大學出版社，2014.

　?。?］ 胡天碩,毛政元.線實體候選匹配集的優(yōu)化方法研究［J］.測繪科學,2011,36(2):132-135.

　?。?］ 田文文,朱欣焰,咼維. 一種VGI矢量數(shù)據(jù)增量變化發(fā)現(xiàn)的多層次蔓延匹配算法［J］. 武漢大學學報(信息科學版),2014,39(8):963-966.

　?。?］ WEISS R, WEIBEL R. Road network selection for smallscale maps using an improved centralitybased algorithm［J］. Journal of Spatial Information Science, 2014(9): 71-99.