地理邻域关系认知下基于粒子群优化的居民地自适应匹配方法

Multi-scale residents' matching is a basic and difficult problem in geographic data analysising and processing. Because existing match methods have several problems. For example, they are weak on dealing with those date whose scale is very different. And their fusion method of similarity indexes is not perfect. What's more, they also cannot do well with M:N complicated match processing. This project addresses these issues and wants to pay some progress on the matching. The main idea of the project are as follows. The first step, the project analysises geographical relationship of residents and their neighborhood features，such as road network, urban water system. So as to extract zoning rules in compliance with human cognitive models and build matching index system by strengthening the relationship between the characteristics of geospatial neighborhood. This step takes into account the residents match constraints from both the global and local levels. The second step, we consider the specific characteristics of the data for the overall similarity calculation, and proposed adaptive fusion model of multi-index based on particle swarm algorithm to solve the overall similarity calculation. The third step, we combines two-way matching mechanism and spatial asessment similities to resolve M:N the complexity of matching. Final, the project wants to establish a set of adaptive matching method for the multi-scale residents by strengthen geospatial relationship similarities, in order to enhance stability and correctness of the multi-scale residents' matching.

多尺度居民地匹配是基础地理数据分析与处理的基础问题和难点问题。项目针对现有方法在尺度差异较大情况下的数据相似性表达、多相似性指标融合方法、M:N的复杂匹配情况处理等方面存在的不足，提出了相应的解决方案。项目在居民地与道路网、水系等邻域地物的地理空间关系认知下，兼顾居民地匹配的全局和局部层次性，提取符合人类认知模式的区域划分法则、建立加强地理邻域关系的特色匹配指标体系；考虑具体数据特征对于整体相似性计算的影响，提出基于粒子群优化算法的多指标自适应融合模型，解决整体相似性的计算问题；同时结合双向匹配机制和群组相似性表达解决M:N的复杂匹配。项目最终建立一套地理空间关系认知下基于粒子群优化的居民地自适应匹配方法，以提升多尺度居民地匹配的稳定性和正确性。

随着大数据时代的到来，基础地理数据分析与处理能力亟待提升，多尺度居民地匹配是其中的基础问题和热点问题。项目围绕着多尺度居民地匹配，在空间认知理论的基础上，深入研究了居民地与其邻域要素——道路网和水系的空间语义知识表达，首先形成了基于路划stroke的城市道路主干网的提取方法；其次，针对居民地匹配过程中多相似性指标权值设定人工化和固态化问题，考虑具体数据特征对于相似性计算的影响，将粒子群智能优化算法与居民地匹配问题相结合，制定了基于粒子群优化算法的多尺度居民地匹配方法；然后，利用前述方法提取到的城市道路主干网，结合北京市POI、天气等多种类型数据，采用地理加权回归从微观层面分析了城市交通事故黑点的成因随地理位置的变化的关系，展示了8种因素的影响分布图，并给出了原因分析；并且，针对因比例尺变化而引起的地图实体的变形、消失、偏移以及M：N的复杂配比类型，基于统计分组的思想，利用居民地的邻域关系约束，提出了邻域关系约束下面向空间剖分的多尺度面状要素匹配方法。该方法综合考虑了匹配的全局和局部层次性，引入了群组关系判定，提取了符合人类认知模式的区域划分法则、建立了加强地理邻域关系的特色匹配指标体系。实验证明方法既增强了匹配算法对于几何位置较大偏差的容错能力，提高了多尺度下居民地匹配的效率和准确度，也为M:N问题的解决提供了新的思路。.项目成果一方面可应用于地图数据有效融合与更新，有利于消除信息孤岛和满足地图数据现势性的需求。不同数据库实体或实体群之间映射关系的识别与建立，为多源数据库联动更新带来了新的契机，加快了数据检索和分析处理的自动化程度。另一方面，也可满足新兴地理数据如VGI、POI等数据的分析需求。地图导航可以不因尺度转换而产生较大位置偏差，目标点的定位在该层次约束下更具位置稳固性。