面向不平衡POI类别分布的电子地图多层次标签预测模型

兴趣点(POI)是电子地图、导航等应用关注的主要要素之一，其数据质量直接影响地理信息服务的智能化水平。鉴于OpenStreetMap (OSM)等众源地理信息数据的非专业收集特征，其POI数据标签常存在缺失、标记错误等质量问题，亟须对POI标签进行智能化推断和增强处理。常规神经网络模型直接从单一层次预测多类别数据，未考虑POI类别在数量上分布不平衡的问题，其预测标签倾向于包含较多数据的类别，学习算法难以泛化小规模样本规则。本文考虑到不同POI类别间的数据规模差异较大，提出基于多层次POI类别组织的神经网络预测方法，通过小样本类别的层次化聚合，建立POI类别树结构，在树结构的不同层次上实现数据规...

Full description

Saved in:
Bibliographic Details
Published inCe hui xue bao Vol. 52; no. 2; pp. 318 - 328
Main Authors 禹文豪, 魏铖, 陈佳鑫
Format Journal Article
LanguageChinese
English
Published Beijing Surveying and Mapping Press 20.02.2023
中国地质大学(武汉)地理与信息工程学院,湖北武汉430074
中国地质大学(武汉)国家地理信息系统工程技术研究中心,湖北武汉430074%中国地质大学(武汉)地理与信息工程学院,湖北武汉430074%中国地质大学(武汉)国家地理信息系统工程技术研究中心,湖北武汉430074
Subjects
Algorithms
Categories
Digital mapping
Electronic maps
Information services
Labels
Machine learning
Neural networks
POI标签
多层次模型
神经网络
深度学习
Online AccessGet full text
ISSN1001-1595
1001-1595
DOI10.11947/j.AGCS.2023.20210451

Cover

More Information
Summary:兴趣点(POI)是电子地图、导航等应用关注的主要要素之一，其数据质量直接影响地理信息服务的智能化水平。鉴于OpenStreetMap (OSM)等众源地理信息数据的非专业收集特征，其POI数据标签常存在缺失、标记错误等质量问题，亟须对POI标签进行智能化推断和增强处理。常规神经网络模型直接从单一层次预测多类别数据，未考虑POI类别在数量上分布不平衡的问题，其预测标签倾向于包含较多数据的类别，学习算法难以泛化小规模样本规则。本文考虑到不同POI类别间的数据规模差异较大，提出基于多层次POI类别组织的神经网络预测方法，通过小样本类别的层次化聚合，建立POI类别树结构，在树结构的不同层次上实现数据规模相对平衡的类别划分，支持神经网络高精度的标签预测。试验表明，本文方法仅需利用POI基础位置信息与邻近关系，其预测精度高于传统方法。
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2023.20210451