基于图卷积自编码器的道路网相似度计算方法

苏峰山; 禄小敏; 叶云会; 李静

doi:10.13203/j.whugis20230303

您当前的位置：

首页 >

文章列表页 >

基于图卷积自编码器的道路网相似度计算方法

地图制图学与地理信息工程 | 更新时间：2026-11-05

- 基于图卷积自编码器的道路网相似度计算方法
- A Road Network Similarity Calculation Method Based on Graph Convolutional Autoencoder
- 武汉大学学报（信息科学版） 2026年51卷第2期页码：391-402
- 作者机构：
  
  1.兰州交通大学测绘与地理信息学院，甘肃兰州，730070
  2.地理国情监测技术应用国家地方联合工程研究中心，甘肃兰州，730070
  3.甘肃省地理国情监测工程实验室，甘肃兰州，730070
- 作者简介：
  
  苏峰山，硕士，研究方向为地图制图综合与空间相似关系。1833267945@qq.com
  禄小敏，博士，教授。935541825@qq.com
- 基金信息：
  
  国家自然科学基金(42161066;41930101;41801395)
- DOI：10.13203/j.whugis20230303
  中图分类号： P208
- 收稿：2024-11-20，
  
  纸质出版：2026-02-05
- 稿件说明：
移动端阅览
苏峰山,禄小敏,叶云会，等.基于图卷积自编码器的道路网相似度计算方法[J].武汉大学学报（信息科学版）,2026,51(2):391-402.

SU Fengshan,LU Xiaomin,YE Yunhui,et al.A Road Network Similarity Calculation Method Based on Graph Convolutional Autoencoder[J].Geomatics and Information Science of Wuhan University,2026,51(2):391-402.
苏峰山,禄小敏,叶云会，等.基于图卷积自编码器的道路网相似度计算方法[J].武汉大学学报（信息科学版）,2026,51(2):391-402. DOI：10.13203/j.whugis20230303

SU Fengshan,LU Xiaomin,YE Yunhui,et al.A Road Network Similarity Calculation Method Based on Graph Convolutional Autoencoder[J].Geomatics and Information Science of Wuhan University,2026,51(2):391-402. DOI：10.13203/j.whugis20230303

摘要

道路网空间相似关系计算在空间数据匹配与查询、空间数据多尺度表达与评价及地图综合质量评价等领域均有广泛应用。现有方法存在对空间信息利用不足且特征因子权重设定过于主观等问题，因此引入图卷积自编码器，通过自监督训练尽可能实现原始输入图的重构，克服传统方法局限，进一步提升相似度计算的准确性。基于图卷积自编码器的道路网相似度计算方法，首先进行道路网图建模及节点特征提取，通过交点转边、边转节点的方式建立道路网的对偶图，在此基础上遵循结构的整体与部分关系原则，从全局、局部及连接特征3个方面将道路网空间特征信息赋予对偶图节点，获取道路网图结构的定量化表达；然后进行图自编码器学习，利用图卷积自编码器对道路网图的节点特征和结构信息进行聚合与更新，形成对道路网的深度认知，进而获取道路网空间信息的特征编码，实现道路网结构的量化表征；最后计算道路网相似度，通过平均池化将复杂的高维度特征空间映射至低维易度量空间，生成一组特征向量，并采用余弦相似度计算其相似性。试验结果表明，所提模型输出的相似度具有较高的敏感性与一致性，与道路网实际变化情况吻合度较好，且其评价结果与人类的空间认知规律较为吻合。

Abstract

Objectives

The calculation of spatial similarity relationship of road networks has wide applications in the fields of spatial data matching and querying

spatial data multi-scale expression and evaluation

and quality evaluation of cartographic generalization. However

the existing similarity calculation methods of road networks have the problems of insufficient utilization of spatial information and subjective setting of the weights of feature factors.

Methods

This paper proposes a road network similarity calculation model based on graph convolutional autoencoder (GCAE). The proposed model employs a self-supervised training strategy to achieve end-to-end learning and strives to reconstruct the original input graph as accurately as possible. As a result

it effectively mitigates the limitations of conventional methods and further improves the accuracy of similarity computation. First

a dual graph of the road network is constructed by converting intersections to edges and edges to nodes. Following the principle of whole-part structural relationships

spatial feature information of the road network is assigned to the dual graph nodes from three aspects

including global

local

and connectivity features

thereby obtaining a quantitative representation of the road network graph structure. Then

GCAE is employed to aggregate and update the node features and structural information of the road network graph

forming a deep understanding of the road network. This process yields a feature encoding of the spatial information

achieving a quantifiable representation of the road network structure. Finally

the complex high-dimensional feature space is mapped by average pooling to a low-dimensional

easily measurable space

generating a set of feature vectors. Cosine similarity is then applied to compute the similarity between road networks.

Results

The experimental results demonstrate that the similarity values generated by the proposed model exhibit high sensitivity and consistency

align closely with actual road network changes

and correspond well with human spatial cognitive patterns.

Conclusions

The proposed model offers a high degree of automation and yields intuitive

well-founded results

effectively mitigating the need for handcrafted features and rule-based designs in road network similarity calculation.

关键词

Keywords

references

闫浩文，褚衍东 . 多尺度地图空间相似关系基本问题研究［J］. 地理与地理信息科学， 2009 ， 25 （ 4 ）： 42 - 44 .

YAN Haowen ， CHU Yandong . On the Fundamental Issues of Spatial Similarity Relations in Multi-Scale Maps ［J］. Geography and Geo-Information Science ， 2009 ， 25 （ 4 ）： 42 - 44 .

王荣，闫浩文，禄小敏 . Douglas-Peucker算法全自动化的多尺度空间相似关系方法［J］. 地球信息科学学报， 2021 ， 23 （ 10 ）： 1767 - 1777 .

WANG Rong ， YAN Haowen ， LU Xiaomin . Automation of the Douglas-Peucker Algorithm Based on Spatial Similarity Relations ［J］. Journal of Geo⁃Information Science ， 2021 ， 23 （ 10 ）： 1767 - 1777 .

杜世宏，雒立群，赵文智，等 . 多尺度空间关系研究进展［J］. 地球信息科学学报， 2015 ， 17 （ 2 ）： 135 - 146 .

DU Shihong ， LUO Liqun ， ZHAO Wenzhi ， et al . Research Progress in Multi-Scale Spatial Relations ［J］. Journal of Geo⁃Information Science ， 2015 ， 17 （ 2 ）： 135 - 146 .

YAN H W ， LI J . Concepts of Spatial Similarity Relations in Multiscale Map Spaces ［M］// Spatial Similarity Relations in Multi-Scale Map Spaces . Cham ： Springer ， 2014 ： 45 - 80 .

郭漩 . 基于知识学习与推理的道路网智能选取方法研究［D］. 郑州：信息工程大学， 2022 .

GUO Xuan . Research on Road Network Intelligent Selection Based on Knowledge Learning and Reasoning ［D］. Zhengzhou ： Information Engineering University ， 2022 .

马京振，孙群，温伯威，等 . 结合轨迹数据的混合多特征道路网选取方法［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 7 ）： 1009 - 1016 .

MA Jingzhen ， SUN Qun ， WEN Bowei ， et al . A Hybrid Multi-feature Road Network Selection Method Based on Trajectory Data ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 7 ）： 1009 - 1016 .

安晓亚，杨云，刘平芝，等 . 基于拓扑谓词的空间拓扑关系相似性度量模型与应用［J］. 地球信息科学学报， 2013 ， 15 （ 2 ）： 159 - 165 .

AN Xiaoya ， YANG Yun ， LIU Pingzhi ， et al . Similarity Measurement Model of Spatial Topological Relations Based on Topological Predicates and Its Application ［J］. Journal of Geo⁃Information Science ， 2013 ， 15 （ 2 ）： 159 - 165 .

刘闯，钱海忠，王骁，等 . 顾及上下级空间关系相似性的道路网联动匹配方法［J］. 测绘学报， 2016 ， 45 （ 11 ）： 1371 - 1383 .

LIU Chuang ， QIAN Haizhong ， WANG Xiao ， et al . A Linkage Matching Method for Road Networks Considering the Similarity of Upper and Lower Spatial Relation ［J］. Acta Geodaetica et Cartographica Sinica ， 2016 ， 45 （ 11 ）： 1371 - 1383 .

黄博华，钟巍，翟仁健，等 . 城市道路网匹配的层次化面域剖分模型［J］. 测绘学报， 2018 ， 47 （ 11 ）： 1526 - 1536 .

HUANG Bohua ， ZHONG Wei ， ZHAI Renjian ， et al . Hierarchical Area Partitioning Method of Urban Road Networks Matching ［J］. Acta Geodaetica et Cartographica Sinica ， 2018 ， 47 （ 11 ）： 1526 - 1536 .

王玉竹，闫浩文，禄小敏 . 面向路网匹配的层次化语义相似性度量模型［J］. 地球信息科学学报， 2023 ， 25 （ 4 ）： 714 - 725 .

WANG Yuzhu ， YAN Haowen ， LU Xiaomin . Hierarchical Semantic Similarity Metric Model Oriented to Road Network Matching ［J］. Journal of Geo-Information Science ， 2023 ， 25 （ 4 ）： 714 - 725 .

刘慧敏，邓敏，徐震，等 . 线要素几何信息量度量方法［J］. 武汉大学学报（信息科学版）， 2014 ， 39 （ 4 ）： 500 - 504 .

LIU Huimin ， DENG Min ， XU Zhen ， et al . Geometric Information Content Measurement of Individual Line Feature ［J］. Geomatics and Information Science of Wuhan University ， 2014 ， 39 （ 4 ）： 500 - 504 .

安晓亚，孙群，肖强，等 . 一种形状多级描述方法及在多尺度空间数据几何相似性度量中的应用［J］. 测绘学报， 2011 ， 40 （ 4 ）： 495 - 501 .

AN Xiaoya ， SUN Qun ， XIAO Qiang ， et al . A Shape Multilevel Description Method and Application in Measuring Geometry Similarity of Multi-Scale Spatial Data ［J］. Acta Geodaetica et Cartographica Sinica ， 2011 ， 40 （ 4 ）： 495 - 501 .

李兆兴，翟京生，武芳 . 线要素综合的形状相似性评价方法［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 12 ）： 1859 - 1864 .

LI Zhaoxing ， ZHAI Jingsheng ， WU Fang . A Shape Similarity Assessment Method for Linear Feature Generalization ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 12 ）： 1859 - 1864 .

刘海龙，钱海忠，王骁，等 . 采用层次分析法的道路网整体匹配方法［J］. 武汉大学学报（信息科学版）， 2015 ， 40 （ 5 ）： 644 - 651 .

LIU Hailong ， QIAN Haizhong ， WANG Xiao ， et al . Road Networks Global Matching Method Using Analytical Hierarchy Process ［J］. Geomatics and Information Science of Wuhan University ， 2015 ， 40 （ 5 ）： 644 - 651 .

张建辰，王艳慧，赵文吉 . 全局与局部寻优相结合的道路网匹配方法［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 8 ）： 1166 - 1171 .

ZHANG Jianchen ， WANG Yanhui ， ZHAO Wenji . Matching Road Networks Based on Combination of Global and Local Optimization ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 8 ）： 1166 - 1171 .

张彦平，张凤录，殷勇，等 . 一种顾及居民地约束的道路网选取方法［J］. 北京测绘， 2025 ， 39 （ 2 ）： 145 - 152 .

ZHANG Yanping ， ZHANG Fenglu ， YIN Yong ， et al . A Road Network Selection Method Considering Residential Area Constraints ［J］. Beijing Surveying and Mapping ， 2025 ， 39 （ 2 ）： 145 - 152 .

秦育罗，宋伟东，张在岩，等 . 顾及几何特征和拓扑连续性的道路网匹配方法［J］. 测绘通报， 2021 （ 8 ）： 55 - 60 .

QIN Yuluo ， SONG Weidong ， ZHANG Zaiyan ， et al . Matching Method for Road Networks Considering Geometric Features and Topological Continuity ［J］. Bulletin of Surveying and Mapping ， 2021 （ 8 ）： 55 - 60 .

CHU T S ， YAN H W ， LI P B ， et al . A Similarity Calculation Model of Road Network and Its Application in Map Generalization Quality Evaluation ［J］. Spatial Cognition & Computation ， 2024 ， 24 （ 1 ）： 6 - 31 .

YAN H W . Quantifying Spatial Similarity for Use as Constraints in Map Generalisation ［J］. Journal of Spatial Science ， 2024 ， 69 （ 1 ）： 23 - 42 .

LECUN Y ， BENGIO Y ， HINTON G . Deep Learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 .

王米琪，艾廷华，晏雄锋，等 . 图卷积网络模型识别道路正交网格模式［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1960 - 1969 .

WANG Miqi ， AI Tinghua ， YAN Xiongfeng ， et al . Grid Pattern Recognition in Road Networks Based on Graph Convolution Network Model ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1960 - 1969 .

YANG M ， JIANG C J ， YAN X F ， et al . Detecting Interchanges in Road Networks Using a Graph Convolutional Network Approach ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 6 ）： 1119 - 1139 .

YAN X F ， AI T H ， YANG M ， et al . A Graph Convolutional Neural Network for Classification of Building Patterns Using Spatial Vector Data ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2019 ， 150 ： 259 - 273 .

YAN X F ， AI T H ， YANG M ， et al . Graph Convolutional Autoencoder Model for the Shape Coding and Cognition of Buildings in Maps ［J］. International Journal of Geographical Information Science ， 2021 ， 35 （ 3 ）： 490 - 512 .

李安平，翟仁健，殷吉崇，等 . 顾及空间结构关系的居民地自动合并方法［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 9 ）： 1723 - 1733 .

LI Anping ， ZHAI Renjian ， YIN Jichong ， et al . Automatic Aggregation of Building Considering Spatial Structure ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 9 ）： 1723 - 1733 .

晏雄锋，袁拓，杨敏，等 . 建筑物形状特征分析表达与自适应化简方法［J］. 测绘学报， 2022 ， 51 （ 2 ）： 269 - 278 .

YAN Xiongfeng ， YUAN Tuo ， YANG Min ， et al . An Adaptive Building Simplification Approach Based on Shape Analysis and Representation ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 2 ）： 269 - 278 .

YU B ， YIN H T ， ZHU Z X . Spatio-Temporal Graph Convolutional Networks： A Deep Learning Framework for Traffic Forecasting ［EB/OL］. ［ 2017-09-04 ］. https：//arxiv.org/abs/1709.04875 https://arxiv.org/abs/1709.04875

XU Y Y ， JIN S ， CHEN Z L ， et al . Application of a Graph Convolutional Network with Visual and Semantic Features to Classify Urban Scenes ［J］. International Journal of Geographical Information Science ， 2022 ， 36 （ 10 ）： 2009 - 2034 .

HU S ， GAO S ， WU L ， et al . Urban Function Classification at Road Segment Level Using Taxi Trajectory Data： A Graph Convolutional Neural Network Approach ［J］. Computers， Environment and Urban Systems ， 2021 ， 87 ： 101619 .

YAN H W . Fundamental Theories of Spatial Similarity Relations in Multi-Scale Map Spaces ［J］. Chinese Geographical Science ， 2010 ， 20 （ 1 ）： 18 - 22 .

王艳红 . 基于节点相似度的复杂网络社区发现算法的研究［D］. 西安：西安电子科技大学， 2014 .

WANG Yanhong . The Research of Finding Community Structure of Complex Network Based on Node Similarity ［D］. Xi'an ： Xidian University ， 2014 .

KIPF T N ， WELLING M . Semi-Supervised Classification with Graph Convolutional Networks ［EB/OL］. ［ 2016-02-14 ］. https：//arxiv.org/abs/1609.02907 https://arxiv.org/abs/1609.02907

DENG L ， YU D . Deep Learning：： Methods and Applications ［J］. Foundations and Trends in Signal Processing ， 2014 ， 7 （ 3/4 ）： 197 - 387 .

KIPF T N ， WELLING M . Variational Graph Auto-Encoders ［EB/OL］. ［ 2016-07-03 ］. https：//arxiv.org/abs/1611.07308 https://arxiv.org/abs/1611.07308

YANG S ， YANG B . Enhanced Network Embedding with Text Information ［C］// The 24th International Conference on Pattern Recognition （ICPR）， Beijing， China ， 2018 .

LIAO L Z ， HE X N ， ZHANG H W ， et al . Attributed Social Network Embedding ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2018 ， 30 （ 12 ）： 2257 - 2270 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

结合轨迹数据的混合多特征道路网选取方法

海洋目标辐射基准传递不确定度研究进展

大众智能终端GNSS有意干扰检测技术研究现状与展望

土壤水分机器学习遥感反演：进展与挑战

星载温室气体激光雷达技术发展与展望