【技术实现步骤摘要】
本专利技术涉及道路网自动选取，尤其涉及一种基于异构图注意力神经网络的道路网自动选取方法和系统。
技术介绍
1、在数字化地图制图学和信息化地图学时代，空间数据的自动综合仍是国际上该领域最具挑战性和创造性的研究课题。地图从大比例尺缩编到小比例尺时，选取是制图综合中必不可少的一步。作为地图中的“骨架”要素，道路是地图要素的重要组成部分，是用图者与制图员重点关注和获取的内容。道路无论在社会生活还是军事领域中都具有重要作用。由于道路网自动选取任务可以转化为图神经网络节点二分类任务，并且因为图神经网络顾及拓扑特征的特性，使得图神经网络成为道路网自动选取的有力工具。
2、目前利用图神经网络进行道路网自动选取都是基于同构图节点二分类任务。2021年张康等从空域图卷积出发，对比了gcn、gat和graphsage三种同构图卷积网络在道路网自动选取中的效果；2021年郑静等对比了jk-net,resnet,and densenet三种连接方式在同构图道路网自动选取中的效果；2022年马超等、2022年朱余德等从谱域图卷积出发，实现了利用谱域图卷积道路网自动选取。但是考虑到道路网进行选取时，由于各道路类型选取比例差距极大，若对各道路类型使用同一个模型进行训练会缺少针对性，造成选取精度较低。因此急需一种利用新的图神经网络分类型道路网自动选取模型，提升路网选取精度。
技术实现思路
1、为了提升道路网选取的精度，本专利技术提出一种基于异构图注意力神经网络(heterogeneous graph a
2、一方面，本专利技术提供一种基于异构图注意力神经网络的道路网自动选取方法，包括：
3、步骤1：获取基础比例尺道路网数据与制图综合目标比例尺道路网数据；
4、步骤2：按照制图综合目标比例尺道路网数据的空间位置，对基础比例尺道路网数据中的所有道路网设置选取标签或者删除标签；
5、步骤3：重建设置标签后的基础比例尺道路网数据的拓扑；
6、步骤4：构建基础比例尺道路网数据对应的对偶图，并基于所述对偶图，按照道路类型构建第一邻接矩阵；
7、步骤5：根据所述基础比例尺道路网数据的拓扑和所述第一邻接矩阵，提取道路网数据的节点特征并形成特征矩阵；
8、步骤6：设计两类mate path，根据所述第一邻接矩阵构建每类mate path下的邻接矩阵，记作第二邻接矩阵和第三邻接矩阵；其中，mate path是指一种道路类型到达另一种道路类型所需经过的序列路径；
9、步骤7：构建异构图注意力神经网络，采用训练道路网数据对应的第二邻接矩阵、第三邻接矩阵和特征矩阵对所述异构图注意力神经网络进行训练得到道路网自动选取模型；
10、步骤8：将测试道路网数据输入至所述道路网自动选取模型，得到道路网选取结果；
11、步骤9：确定各个道路类型的选取阈值，结合道路网选取结果，对选中的道路网进行连接，得到符合制图综合目标比例尺的道路网数据。
12、进一步地，步骤2具体包括：
13、先采用叠置分析方式，将与制图综合目标比例尺道路网数据的空间位置相交的道路网设置选取标签，其余道路网设置删除标签；再采用手动修改错误标签。
14、进一步地，步骤3具体包括：去除与最大连通道路网没有交点的道路。
15、进一步地，步骤5具体包括：
16、根据所述基础比例尺道路网数据的拓扑提取包括道路的起止点坐标、长度和曲直比在内的节点特征；根据所述第一邻接矩阵提取包括节点度、连接中心性、度中心性和中介中心性在内的节点特征。
17、进一步地，步骤6中，两类mate path具体包括：
18、(1)聚合相同道路类型的一阶邻居；
19、(2)聚合相同道路类型的二阶邻居。
20、进一步地，所述异构图注意力神经网络包括两层图卷积层、一层全连接层和一层softmax层；其中，每层图卷积层之后使用relu函数作为激活函数，使用dropout进行正则化。
21、进一步地，所述图卷积层包括节点注意力模块和语义注意力模块；
22、在所述节点注意力模块中，按照公式(1)计算节点注意力系数：
23、
24、其中，表示节点注意力系数，表示在一个mate path下，与节点i有边连接的节点集合，表示归一化训练结果，使其成为0-1之间的概率值，其中j属于||表示拼接操作，h′i与h′j表示经过特征投影后维度相同的节点特征，aφ表示元路径φ下的共享注意力权重，σ代表激活函数；
25、在所述语义注意力模块中，按照公式(2)计算语义注意力系数：
26、
27、其中，φp表示在一个mate path下，v表示在该mate path下的周围邻居节点数量，q表示可学习参数，w表示权重系数，表示当前语义下聚合节点注意力之后的节点特征，b表示偏置，tanh表示双曲正切激活函数。
28、进一步地，步骤7中具体包括直推式任务训练方式和归纳式任务训练方式两种训练方式；
29、所述直推式任务训练方式是指采用已知的同一张道路网数据中的少量道路节点的标签，去预测该张道路网数据中的剩余大量道路节点的标签；
30、所述归纳式任务训练方式是指采用已知的一张道路网数据中的大量道路节点的标签，去预测另一张新道路网数据中的所有道路结点的标签。
31、另一方面，本专利技术提供一种基于异构图注意力神经网络的道路网自动选取系统，包括：
32、道路网数据获取模块，用于获取基础比例尺道路网数据与制图综合目标比例尺道路网数据；
33、标签设置模块，用于按照制图综合目标比例尺道路网数据的空间位置，对基础比例尺道路网数据中的所有道路网设置选取标签或者删除标签；
34、拓扑构建模块，用于重建设置标签后的基础比例尺道路网数据的拓扑；
35、第一邻接矩阵构建模块，用于构建基础比例尺道路网数据对应的对偶图，并基于所述对偶图，按照道路类型构建第一邻接矩阵；
36、节点特征提取模块，用于根据所述基础比例尺道路网数据的拓扑和所述第一邻接矩阵，提取道路网数据的节点特征并形成特征矩阵；
37、第二邻接矩阵和第三邻接矩阵构建模块，用于设计两类mate path，根据所述第一邻接矩阵构建每类mate path下的邻接矩阵，记作第二邻接矩阵和第三邻接矩阵；其中，mate path是指一种道路类型到达另一种道路类型所需经过的序列路径；
38、道路网自动选取模型模块，用于构建异构图注意力神经网络，采用训练道路网数据对应的第二邻接矩阵、第三邻接矩阵和特征矩阵对所述异构图注意力神经网络进行训练得到道路网自动选取模型；以及将测试道路网数据输入至所述道路网自动选取模型，得到道路网选取结果；
39、集成模块，用于确定各个本文档来自技高网...
【技术保护点】
1.基于异构图注意力神经网络的道路网自动选取方法，其特征在于，包括：
2.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤2具体包括：
3.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤3具体包括：去除与最大连通道路网没有交点的道路。
4.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤5具体包括：
5.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤6中，两类mate path具体包括：
6.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，所述异构图注意力神经网络包括两层图卷积层、一层全连接层和一层SoftMax层；其中，每层图卷积层之后使用RELU函数作为激活函数，使用Dropout进行正则化。
7.根据权利要求6所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，所述图卷积层包括节点注意力模块和语义注意力模块；
8
9.基于异构图注意力神经网络的道路网自动选取系统，其特征在于，包括：
...【技术特征摘要】
1.基于异构图注意力神经网络的道路网自动选取方法，其特征在于，包括：
2.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤2具体包括：
3.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤3具体包括：去除与最大连通道路网没有交点的道路。
4.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤5具体包括：
5.根据权利要求1所述的基于异构图注意力神经网络的道路网自动选取方法，其特征在于，步骤6中，两类mate path具体包括：
6.根据权利要求1所...
【专利技术属性】
技术研发人员：张建辰，郑浩华，李贺颖，王光霞，郭建忠，王家耀，
申请(专利权)人：河南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。