面向不平衡POI类别分布的电子地图多层次标签预测模型

摘要：

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.

关键词：POI标签、深度学习、神经网络、多层次模型

所属期刊栏目：52

分类号：P227(大地测量学)

资助基金：国家自然科学基金;中国地质大学武汉中央高校基本科研专项

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：318-328