[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

说明书

本发明提供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，训练基于深度学习的道路语义匹配模型以适应多样的道路位置描述和道路或其局部位置的匹配；构建包含道路本体模型的实例和基于ELLGs的简化的道路之间的定性方位关系的道路语义网络；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；基于道路语义匹配模型获取参考道路描述在道路语义网络中的匹配实例；基于匹配实例和定性方位关系对道路语义网络进行语义查询以实现定性方位推理并获取目标道路。本发明能够适应从包含定性方位信息的泛在道路描述定位到空间位置的应用。

技术领域

本发明涉及泛在位置信息的定位领域，特别是涉及一种从包含定性方位信息的泛在道路描述中定位空间道路的方法。

背景技术

道路是一类重要的空间基础设施，对其位置的描述和理解在社会生活、交通运输、道路规划等方面具有重要意义。通过自然语言描述的道路位置因更加灵活且符合人们的空间认知习惯而具有更广阔的应用前景。其中，最简单的道路位置描述是道路名，而更加复杂的包含了定性方位信息的描述表达了泛在道路位置。并且，道路内部的定性方位信息表达了道路的局部位置。例如，在道路名中蕴含“东”、“西”等方位词从而将长道路划分为子道路，或者使用包含方位信息的非标准描述来表达道路的局部位置，如“某某路的西段”。而道路之间的定性方位信息则间接地描述了相对于参考道路的其他道路，从而丰富了道路的语义信息。例如，基于维基百科的语义网DBpedia中，定性方位关系占据了空间位置关联的语义关系中近乎50％的比例。因此，从包含定性方位信息的泛在道路描述中定位到空间道路是实现智能化的查询、导航、指令发布等位置服务的重要研究内容。

现有的geocoding技术和定性空间推理的研究为自然语言描述到空间位置的转换提供了支持。其中，geocoding技术通过将地名、地址等语义信息与包含空间信息的参考数据库进行匹配来获得相应的空间位置信息。传统的geocoding技术采用基于文本比较的匹配方法，通过计算字符串之间转化所需的编辑操作数(如Levenshtein距离)或者字符串中单词的重叠程度(如Jaccard相似度系数)来衡量相似度。而近年来的自然语言处理技术的发展表明，将机器学习应用于匹配领域具有巨大的潜力。从而，机器学习的新兴分支——深度学习，逐渐被应用于geocoding技术中的匹配过程。基于深度学习的匹配方法强调基于上下文的语义关联，因此无论待比较文本在字面上是相似的，还是仅具有部分文字重叠，都能够进行有效的匹配。例如，最先进的深度文本匹配模型之一的增强顺序推理模型(ESIM)被应用于实现非结构化的复杂语法的地址匹配。上述匹配过程涉及的道路位置的语义信息仅为标准地址中的道路名，因此现有的geocoding技术的应用能够有效地实现仅包含道路名的道路位置描述到空间位置的转换。

然而，道路位置描述有别于标准地址的描述，其中的定性方位信息可以进一步地表达道路的局部位置，从而，将包含内部方位信息的道路位置描述匹配到道路的局部位置更加合理。而上述匹配尚未得到研究和应用。

此外，定性空间推理是从理解空间位置间的定性空间关系的角度实现参考空间位置到目标空间位置的转换。相较于GeoSPARQL依赖语义查询过程中的实时计算来实现定性空间推理，通过直接的语义查询实现的定性空间推理的效率更高。并且，GeoSPARQL主要提供了定性拓扑关系的算子，缺乏对道路的八个方向的定性方位关系的算子的支持。然而，现有的道路之间的显式的定性方位关系，如DBpedia提供的空间道路之间的八个方向的定性方位关系，并不完善并且有缺陷，从而需要从道路的空间几何信息中派生出准确的、足够的定性方位信息以支持通过直接的语义查询来实现定性方位推理。然而，这带来了海量的定性方位关系的存储问题。例如，完整地表达N条道路之间的定性方位信息需要至少表达N²个定性方位关系，即，10000条道路将带来超过1亿个定性方位关系的存储。因此必须考虑道路之间的海量的定性方位关系的简化表达。