[发明专利]一种基于深度学习和定性空间推理的泛在道路信息定位方法

权利要求书

1.一种基于深度学习和定性空间推理的泛在道路信息定位方法，其特征在于，包括以下步骤：

步骤1，基于道路数据集训练基于深度学习的道路语义匹配模型；所述基于深度学习的道路语义匹配模型包括输入层，输入编码层，局部推理层，推理组合层和预测层；

步骤1的具体实现包括如下子步骤；

步骤a1，利用道路数据集，构建道路实例；

步骤a2，利用道路实例，根据数据集标记策略来制作标记数据集和候选匹配实例；

步骤a3，将标记数据集从文本转化为向量表达，并获得候选匹配实例的向量表达；

步骤a4，利用标记数据集，根据基于深度学习的道路语义匹配模型训练道路数据集上的道路语义匹配模型；

步骤2，基于道路数据集构建道路语义网络，具体实现包括如下子步骤；

步骤b1，将步骤1中的道路实例作为语义网络中的节点，将道路实例间的语义关系作为语义网络中的语义关系；

步骤b2，利用等经纬度全球离散格网ELLGs构造多尺度的聚类关系NE、NW、SE和SW来简化道路之间的NE，NW，SE，SW，N，S，E，W关系，并将聚类关系作为语义网络中的语义关系；

步骤b3，定义语义推理规则以建立道路实例和其MBR的NE，NW，SE，SW顶点所在的多尺度网格的直接关联；

步骤b4，建立道路实例之间的NE，NW，SE，SW，N，S，E，W关系和语义网络中的语义关系的映射；

相关术语定义如下：NE东北，NW西北，SE东南，SW西南，S南，N北，E东，W西；

步骤3，将泛在道路描述解析为参考道路描述和相对于参考道路的定性方位关系；

步骤4，根据步骤1中的道路数据集上的道路语义匹配模型，将参考道路描述匹配到相似度最高的候选匹配实例；

步骤5，基于步骤3中的定性方位关系和步骤4中的匹配实例构造语义查询语句，对步骤2中的道路语义网络进行语义查询以推理目标道路。

2.如权利要求1所述的基于深度学习和定性空间推理的泛在道路信息定位方法，其特征在于：步骤a1中通过对道路本体模型中的类进行实例化以构建道路实例；

步骤a1中所述道路本体模型中的所有概念被组织成道路、空间范围和多尺度空间范围三个类及其子类，道路类描述了现实存在的道路的语义信息和层次化的组成部分，包括道路名、路段、路口和方位道路子类；空间范围类描述了由MBR表达的空间范围，包括NE，NW，SE，SW四个顶点子类；多尺度空间范围类描述了由ELLGs的网格编码表达的多尺度空间范围，包括多尺度网格编码子类，并且其扩展了WGS84本体来继承经度和纬度两个数据属性；将道路类与空间范围类、多尺度空间范围类关联以表达道路和其组成部分的空间信息。

3.如权利要求2所述的基于深度学习和定性空间推理的泛在道路信息定位方法，其特征在于：步骤a1中路段被定义为相邻路口之间的局部道路，方位道路被定义为由对应于内部方位的路段组成的局部道路，并且只对道路名中不包含方位信息的道路划分其方位道路，方位道路的划分依赖于路口，即以路段为基本单元，在W-E方向或S-N方向上为路段分配相对于道路的内方位，划分道路内部方位的方式如下：

①排除两类路口：第一类是控制道路空间范围的路口，第二类是导致路段被截断的路口；

②基于唯一可用的路口，为路段分配W、E方向或S、N方向；或者在多个可用的路口的情况下，基于最靠近三等分线的路口，为路段分配W、C、E方向或S、C、N方向；

③为路段分配复合方向NE，NW，SE，SW；

相关术语定义如下：NE东北，NW西北，SE东南，SW西南，S南，N北，E东，W西，W-E方向东西方向，S-N方向南北方向，C中。