【硕士论文804】基于出行模式的动态道路综合模型与方法研究 论文终稿

硕士学位论文基于出行模式的动态道路综合模型与方法研究研究生指导教师副教授培养单位地理科学学院一级学科地理学二级学科地图学与地理信息系统完成时间2014年5月10号答辩时间2014年5月23号学位论文独创性声明本人郑重声明所提交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果。本论文中除引文外，所有实验、数据和有关材料均是真实的。本论文中除引文和致谢的内容外，不包含其他人或其它机构已经发表或撰写过的研究成果。其他同志对本研究所做的贡献均已在论文中作了声明并表示了谢意。学位论文作者签名日期学位论文使用授权声明研究生在校攻读学位期间论文工作的知识产权单位属南京师范大学。学校有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的部分或全部内容，可以采用影印、复印等手段保存、汇编本学位论文。学校可以向国家有关机关或机构送交论文的电子和纸质文档，允许论文被查阅和借阅。（保密论文在解密后遵守此规定）保密论文注释本学位论文属于保密论文，密级保密期限为年。学位论文作者签名指导教师签名日期日期摘要地图综合技术经过几十年的发展，在综合理论、综合模型和综合方法上均取得了丰硕的研究成果。但是目前的数字地图综合仍以静态环境下的综合和离线综合为主，综合产生的地图可以用到不同的任务上，不能满足用户个性化的地理信息需求。随着网络技术和人工智能技术的发展，具有高度交互性的网络和移动地图越来越普及，同时地图的研究重点也逐渐转向对语义信息和用户的个性化信息的挖掘，因此对地图综合也提出了新的要求要求移动地图要能够根据用户的任务和上下文信息提供任意时间、任意地点和任意尺度的地理信息。在这种情况下离线地图和多尺度数据库就不能够满足要求。出行模式作为重要的上下文信息之一，与道路综合操作相关，用户在不同的出行模式下对地理空间信息有不同的需求，为了满足不同出行模式下的道路认知需求，必须提供恰当尺度、适宜信息量的地图。但是传统的道路综合系统中，由于其尺度变化、综合区域范围等都是确定的，而在移动环境中用户的出行模式是动态变化的，因此综合的目标尺度和综合的区域范围也是动态变化的。因此需要建立一个动态的道路综合模型，才能解决这些问题。要建立这样一个模型，需要考虑许多方面，如综合算子的选择、算法的选择、参数的设置、综合知识的匹配以及综合过程的控制等。本文针对这些问题进行了详细的研究，主要的研究内容和成果如下1、分析不同出行模式下用户的道路认知特点；探讨不同出行模式下满足用户道路认知特点所需要的尺度；总结并分析了基于出行模式的动态道路综合影响因子。2、从综合复杂度的角度分析道路综合算子应用于动态环境下综合的可用性，并对满足条件综合算子适用尺度范围进行了分析；从时间复杂度和综合质量的角度分析道路综合算法应用于动态环境下道路综合的适用性；并对综合算法阈值和比例尺的对应关系进行探讨。3、描述了道路综合知识的获取方法和形式化表达方法，并构建了道路综合相关知识规则；然后提出了基于出行模式的动态道路综合概念模型；分析了模型对综合过程的控制机理。4、基于提出的基于出行模式的动态道路综合概念模型，设计与实现了一个面向移动环境下的动态道路综合原型系统，选择基于属性的道路选取、基于网眼密度的道路选取和DOUGLASPEUCKER等算法实现了基于出行模式的动态道路综合，并基于案例验证了该模型的可行性。关键词道路综合，出行模式，动态综合模型，算法适宜性分析，道路综合知识ABSTRACTAMPLEACCOMPLISHMENTSOFTHEMAPGENERALIZATIONHAVEBEENACHIEVEDINITSTHEORY,MODELANDMETHODAFTERSEVERALDECADESDEVELOPMENTHOWEVER,FORNOW,DIGITALMAPGENERALIZATIONISMAINLYBASEDONGENERALIZATIONINSTATICENVIRONMENTANDOFFLINEGENERALIZATIONMAPSTHATPRODUCEDBYTRADITIONALGENERALIZATIONTECHNIQUESAREAPPLIEDTOAWIDERANGEOFDIFFERENTTASKS,WHICHCANNOTMEETUSERSINDIVIDUALIZEDNEEDSFORGEOGRAPHICINFORMATIONWITHTHEDEVELOPMENTOFNETWORKTECHNOLOGYANDARTIFICIALINTELLIGENCETECHNOLOGY,INTERNETANDMOBILEMAPTHATAREHIGHLYINTERACTIVEAREBECOMINGMOREANDMOREPOPULARATTHESAMETIME,RESEARCHGRADUALLYTURNEDTHEIRFOCUSTOTHEMININGOFSEMANTICINFORMATIONASWELLASUSERSINDIVIDUALINFORMATIONWHICHTHENLEADTOTHENEWREQUIREMENTFORMAPGENERALIZATIONSOASTOPROVIDEANYTIME,ANYPLACEANDANYSCALEGEOGRAPHICINFORMATIONACCORDINGTOUSERSTASKSANDCONTEXTINFORMATIONEVIDENTLY,OFFLINEGENERALIZATIONANDMULTISCALEDDATABASEARENOTAVAILABLEUNDERTHISCIRCUMSTANCEASONEOFTHEIMPORTANTCONTEXTINFORMATION,TRIPMODERELATESTIGHTLYTOROADGENERALIZATIONUSERSHAVEDIFFERENTREQUIREMENTSOFGEOSPATIALINFORMATION,THUS,MAPSWITHAPPROPRIATESCALEANDAPPROPRIATEAMOUNTOFINFORMATIONMUSTBEPROVIDEDINORDERTOMEETUSERSROADCOGNITIVEDEMANDSUNDERDIVERSETRIPMODESHOWEVER,THETARGETSCALEOFTRADITIONALGENERALIZATIONISSPECIFIED,ANDGENERALIZATIONAREAISCERTAINWHILETRIPMODEVARIESALOTINMOBILEENVIRONMENT,THUS,ADYNAMICROADGENERALIZATIONMODELSHOULDBEBUILTTOSOLVETHESEPROBLEMSTODESIGNSUCHAMODEL,SEVERALASPECTSSUCHASSELECTIONOFGENERALIZATIONOPERATORSANDALGORITHMS,SETOFPARAMETER,MATCHOFGENERALIZATIONKNOWLEDGEANDCONTROLOFGENERALIZATIONPROCESSMUSTBETAKENINTOCONSIDERATIONDETAILSAREDISCUSSEDINTHISPAPER,SPECIFICCONTENTSAREASFOLLOWS1THISPAPERANALYZEDUSERSCOGNITIVECHARACTERISTICSOFROADANDDISCUSSEDTHESCALESWHICHCOULDMEETUSERSROADCOGNITIONFEATURESBASEDONDIFFERENTTRIPMODESANDWESUMMARIZEDTHEIMPACTFACTOROFROADGENERALIZATIONOFROADBASEDONTRIPMODEANDANALYZETHEM2THEAVAILABILITYOFROADGENERALIZATIONOPERATORSINDYNAMICENVIRONMENTISANALYZEDFROMTHEPERSPECTIVEOFGENERALIZATIONCOMPLEXITYWHILEAPPLICABLESCALEOFOPERATORSTHATMEETTHECONDITIONISANALYZEDTOOTHEAVAILABILITYOFROADGENERALIZATIONALGORITHMSINDYNAMICENVIRONMENTISDISCUSSEDFROMTHEPERSPECTIVEOFALGORITHMCOMPLEXITYANDQUALITYOFGENERALIZATIONTHERELATIONSHIPBETWEENALGORITHMPARAMETERSANDSCALESISEXPLORED3THISRESEARCHDESCRIBEDACQUISITIONMETHODANDFORMALIZATIONMETHODOFROADGENERALIZATIONKNOWLEDGE,ANDESTABLISHEDROADGENERALIZATIONRELATEDKNOWLEDGERULEACONCEPTUALMODELOFDYNAMICROADGENERALIZATIONBASEDONTRIPMODEISPROPOSED,ANDCONTROLLINGMECHANISMOFGENERALIZATIONPROCESSUSEDINTHISMODELISDISCUSSED4BASEDONTHEMODELPROPOSED,APROTOTYPEOFDYNAMICROADGENERALIZATIONFORMOBILEENVIRONMENTHASBEENDESIGNEDTWOSELECTIONALGORITHMSBASEDONATTRIBUTESANDMESHDENSITYTHRESHOLDANDONESIMPLIFICATIONALGORITHMBASEDONDOUGLASPEUCKERWEREIMPLEMENTEDTOEXECUTETHEDYNAMICROADGENERALIZATIONBASEDONTRIPMODEBASEDONTHERESULTOFCASE,THEFEASIBILITYOFTHEDYNAMICROADGENERALIZATIONMODELISPROPOSEDKEYWORDSROADGENERALIZATION,TRIPMODE,DYNAMICGENERALIZATIONMODEL,SUITABILITYOFGENERALIZATIONALGORITHM,ROADGENERALIZATIONKNOWLEDGE目录摘要IABSTRACTII目录IV图目录VII表目录IX第1章绪论111选题背景及研究意义1111选题背景1112研究意义212国内外研究现状2121出行模式及其在地理信息领域的研究现状3122道路综合算法研究现状4123道路综合模型研究现状413国内外研究现状总结714研究内容、技术路线及章节安排8141研究内容8142技术路线8143章节安排9第2章基于出行模式的道路认知特点研究1121出行模式11211出行模式的概念及其特征11212出行模式选择的影响因素1222道路类型及其地图表达13221道路的类型13222道路的地图表达1523出行模式和道路认知的相关性分析17231不同出行模式下用户道路认知特点17232出行模式中影响地图比例尺选择的因素19233出行模式与地图比例尺之间的关系2324基于出行模式的道路综合影响因素2425本章小结25第3章动态环境下道路综合算子、算法适宜性分析2631道路综合算子适宜性分析2632道路综合算法适宜性分析28321选取算法适宜性分析29322简化算法适宜性分析40323动态环境下道路综合算法的确定5233道路综合算法参数适宜性分析5434本章小结57第4章基于出行模式的动态道路综合模型5841基于出行模式的道路综合知识58411地图综合知识体系58412道路综合知识的获取方法59413基于出行模式的道路综合相关知识形式化表达6042基于出行模式的动态道路综合概念模型6443道路综合的过程控制6744本章小结71第5章基于出行模式的动态道路综合方法实现7251系统设计72511总体设计72512系统开发与运行环境7352数据组织75521实验数据75522数据处理76523数据结构7753系统实现79531服务器端功能实现79532客户端功能实现8154案例分析81541案例执行过程81542案例结果分析8555本章小结90第6章结论与展望9161论文结论9162存在问题及展望92参考文献93攻读硕士期间科研成果101致谢103图目录图11技术路线图9图21出行模式被选择概率分布曲线刘贤滕，201113图22缩放操作与视点变化示意图16图23地图制作者与地图使用者的关系17图24真实世界与相匹配的地图18图25用户视野随用户速度的变化情况DIXONANDLAYTON,201019图26速度比地图比例尺之间的关系20图27地图尺度效用曲线CHALMERS,200121图28地图比例尺效用曲线（张海堂，2005）22图29出行距离与地图尺度的对应关系22图31道路综合算子的复杂度曲线及适宜性范围CECCONI,200327图32动态环境下道路综合算子的适宜性范围28图33DOUGLASPEUCKER算法原理图DOUGLAS,PEUCKER,197341图34LIOPENSHAW算法原理图LI,OPENSHAW,199242图35基于CIRCLE的线简化示意图钱海忠，200244图36LANG算法示意图MCMASTER,SHEA,199245图37渐进式简化算法简化过程示意图46图38参数级别和综合结果的关系54图41地图综合知识分类图59图42知识获取模型60图43基于出行模式的动态道路综合概念模型64图44道路综合算子库的内容65图45道路综合算法库内容66图46道路综合算法参数库66图51系统架构图73图52系统运行界面75图53实验数据处理77图54CONTEX类图79图55GENERALISATIONENGINE类图79图56多模式出行时态图82图57步行模式综合链83图58驾车模式综合链85图59不经过综合的数据86图510初始状态地图87图511步行模式下综合结果图88图512驾车模式下综合结果图89表目录表21道路行政分类表14表22道路功能分类表14表23道路交通规划分类14表24城市道路重要性等级划分15表25不同等级道路显示比例尺范围16表26不同交通要素显示范围17表27不同级别道路显示比例尺范围17表28不同出行模式下用户道路认知特点19表29移动环境中用户速度和地图比例尺的关系20表210不同出行模式平均速度23表211出行模式与地图比例尺的关系24表212基于出行模式的动态道路综合影响因子列表24表31道路选取算法效率与质量分析52表32道路简化算法效率与质量分析53表33可用于动态环境下的道路综合算法53表34可用于动态环境下道路综合算法参数阈值54表35不同出行模式下网眼密度阈值56表51系统服务器端硬件环境74表52系统客户端硬件环境74表53服务器端软件开发环境74表54客户端软件开发环境74表55实验数据元信息表76表56基于出行模式的动态道路综合所需属性数据78表57出行前用户上下文信息82表58步行模式下动态道路综合规则83表59驾车模式下动态道路综合规则84第1章绪论11选题背景及研究意义111选题背景地理空间数据是地图制图表达的重要数据来源，其自动综合问题一直是现代地图学领域关注的热点问题，也是最具挑战性与创造性的难点之一1。地图综合的实现遵循了一个由简单到复杂，由局部到整体，由数字化到智能化的客观发展过程。在数字地图的各要素中，道路综合是地图综合的重要内容之一，它在地图综合中的作用主要表现在（1）道路是地图、地理信息中最基本的要素之一，是空间信息库建立的重要内容。多尺度道路数据的现势性、完整性对于导航等应用有着重要的作用，特别是互联网和移动通信时代的新型应用对道路网自动综合有急迫需求，同时道路数据也是国家空间信息基础设施框架数据中的重要组成部分。（2）地图图形的80以上为线要素或者由线要素组成，因此，地图综合的研究大多集中于线要素综合，道路作为最重要的线要素，是地图综合的重点和难点。近几十年来，地图综合在综合理论、模型与方法方面积累了丰硕的研究成果，地图综合从传统的单机版、单要素、静态综合向分布式、多要素、实时动态的方向发展。传统的制图综合致力于生产高质量的静态纸质地图，对综合算法的效率不够重视。当前的网络地图和移动地图多采用多尺度地图数据和离线综合2,3的方法，建立已有尺度之间更多尺度的地图数据，以便用户根据自己的要求进行选择，该方法简单易行，不需要进行实时地图综合运算，但是用户得不到自适应的地图数据，由于存贮太多尺度的地图数据，必然造成大量的数据冗余。传统的地图综合技术制作的地图可以广泛的用到不同的任务上，随着互联网技术和人工智能技术的发展，地图的研究重点已经从地图的制作技术逐渐转向地图使用过程，更加关注语义信息和用户的个性化信息。新技术条件下的地图综合要求根据用户的任务和用户上下文信息提供满足用户需求和地理信息快速可视化表达的地图。出行模式作为重要的上下文信息之一，与道路综合操作相关，直接影响道路内容的表达。不同的出行模式下，出行的空间尺度不同，用户的道路认知特点也不同，为了满足不同出行模式下的道路认知需求，必须提供恰当尺度、适宜信息量、与特定出行模式相关的道路地图。基于出行模式的动态道路综合不仅要求地图内容自适应于用户出行模式，地图比例尺、地图信息载负量也要与用户的出行空间相关联。在这种情况下，多尺度数据库和离线综合产生的地图就不能满足要求。近年来，针对网络地图的动态生成和实时生成，国内外专家学者从空间数据索引4、渐进式综合5、并行计算6,7等方面进行了大量的研究，大大提高了地图综合算法的执行效率。针对地图的个性化表达方面，学者从空间认知8、本地驱动9和用户需求10方面展开了研究。这些研究为本研究奠定了基础，基于此，本文提出基于出行模式的动态道路综合模型与方法研究。本研究基于地图综合理论和方法，融合计算机科学和地图空间认知理论等方面的知识，在当前计算机智能技术、计算机智能技术和地理信息等技术驱动的背景下，研究基于不同出行模式的动态道路综合模型与方法。112研究意义本研究的意义主要体现在以下几个方面（1）将出行模式引入到道路综合之中，改变地图综合从传统的以制图者为中心到新技术条件下的以地图使用者为中心，提供满足用户特定任务的地理信息，注重提高地图服务质量，使地图综合服务更加智能化、人性化，并且为将来进一步研究其他上下文要素对网络地图综合的影响提供参考；（2）系统地整理与分析现有道路综合算子、算法，分析不同算子、算法所适宜的综合尺度范围和算法参数设置与地图比例尺之间的关系，为在动态环境下道路综合算法的选取提供依据，可以推动大量道路综合算法在动态环境下的拓展与应用。（3）对道路综合的模型进行总结，总结现有综合模型的优点及其局限性，分析动态道路综合的触发条件，构建基于不同出行模式的动态道路综合模型，并设计案例对模型进行验证，对智能化的道路综合系统乃至智能导航的研究具有一定的促进作用和应用价值。12国内外研究现状从20世纪60年代开始，地图综合研究在综合约束条件、综合模型、综合算法等方面取得了一系列研究成果，特别是近20年来，以美国国家地理信息中心NCGIA、德国汉若威大学、瑞士苏黎世大学以及我国武汉大学资环院、中科院地理所和解放军测绘学院等为代表的研究团队，在地图综合研究中融入了新的研究方法如分形、神经元网络、认知功效、专家系统、遗传算法、AGENT、协同等，丰富了地图综合的理论与方法，这为地图综合向着智能化、个性化方向的发展奠定了基础。下面就前人在相关方面的研究工作进行回顾与分析。121出行模式及其在地理信息领域的研究现状第一，关于出行模式。出行是交通规划中最基本的概念，日本的佐佐木把出行定义为人、物资或作为运输方式的汽车从某地点向其他地点移动时，称为出行，其中人的移动称为个人出行11。出行方式是指居民外出的交通方式，主要包括步行出行、自行车出行、公交出行和私家车出行等。居民出行所采用的主要出行方式的组合称为此用户的出行模式12。个体出行模式及出行行为的研究是目前城市地理学和交通地理学日益关注的研究领域。在出行方式选择方面，杨励雅等把出行链为分析的基本单元建立出行方式及其影响因素之间的关系，构建了居民出行方式选择的结构方程模型13。殷焕焕等分析了出行方式选择行为的主要影响因子，利用BP神经网络建立了影响因子和出行方式之间的关系，建立了基于BP神经网络的出行方式选择模型14。在出行的空间分布方面，林红等利用信息熵的原理对居民出行空间分布的变化情况进行了研究和分析15。钱林波以南京主城为例，对居民出行空间分布和城市土地利用的混合程度之间的关系进行讨论，在分析他们之间相互作用机理的基础上构建了土地利用的混合程度与居民出行比例之间的关系模型16。在出行模式的认知特点研究方面，戢晓峰利用偏好路线集对出行经验进行描述，分析了出行信息如何出行行为，在此基础上提出了出行信息搜寻的LOGIT模型，建立了用户的出行信息认知模式17。高鹏利用相关领域研究成果，在对路径选择的影响因子和选择过程、选择准则进行了详细分析的基础上建立了驾驶员的路径选择模型18。戢晓峰对驾驶员的任务集聚认知模式的内涵和影响因子进行了界定和分析，对出行过程中可能面临的信息环境进了解析，利用统计分析方法获取认知模式的关键影响因子，基于有序多分类LOGISTIC回归方法构建了驾驶员认知决策模型19。第二，出行模式在地理信息领域的研究现状。冯冲研究了移动定位数据在考虑时空关系时的处理方法，在模糊逻辑道路匹配方法的基础上提出一种基于先验知识的移动用户的出行模式识别方法12。童晓君结合GPS技术对居民出行行为进行了研究，利用GIS技术分析了城市居民的出行行为20。舒永钢从以用户为中心的视角研究了休闲旅游时WEBGIS用户搜索信息时的行为特征和影响因子，从个性化信息维度、行为态度、休闲旅游情境和空间信息等纬度量测了WEBGIS功用，在此基础上构建了旅游信息搜索的功用评价21。杨利军等利用GIS工具对出行空间进行模拟，并对居民的微观行为空间、行为过程以及对沿路交通状况及土地利用特征的宏观综合进行模拟22。周素红等利用TGIS技术，通过调查广州典型街区居民的出行日志对该市居民日常活动的时空特征进行研究，探讨城市空间结构对居民活动的影响关系23。122道路综合算法研究现状道路综合是一个可分解的过程，常用的有选取、化简、移位三个算子，对道路的化简和移位算子的研究都已经成熟，当前对道路综合的研究都集中在道路的选取算子上。在对道路的自动选取方面，总的来说有“选多少”和“选哪些”的问题。前者可以如开方根公式和回归模型24等方法进行较好的解决。对于后者的研究主要有王家耀等提出基于图论的道路网自动选取方法25；胡云岗等通过循环删除密度最大的网眼提出了基于网眼密度的渐进式道路选取方法26；邓红艳等提出基于遗传算法的道路选取方法27；BINJIANG综合考虑道路的拓扑、几何及语义属性，提出基于SOM神经网络的道路选取方法28；BJORKE综合考虑道路等级、连通度和拓扑属性等约束条件,提出基于信息熵的道路选取方法29,30；蔡永香等在利用神经网络模型获取街道相对重要性的基础上提出基于神经网络的渐进式街道选取方法31；田晶等在计算街道网拓扑、量测和专题信息的基础上提出基于信息损失的渐进式街道选取方法32；徐柱等提出以路划STROKE为选取单元的基于路划网络功能评价的道路选取方法33；郭敏等提出了基于ID3决策树推理模型的道路选取方法34李木梓提出基于层次随机图的道路选取方法，通过构建道路网的层次聚类结构以辅助道路选取35。在道路简化方面，主要的算法有DOUGLASPEUCKER算法、垂距法、光栏法、LANG算法；钱海忠等在“优胜劣汰”思想的基础上提出基于圆特征的线要素简化算法36,37；为了解决简化产生的自相交问题,ZHILINLI等提出基于自然规律的线要素简化方法38；郭庆胜提出基于三角形和基于图形的渐进式简化算法39；针对综合过程中的地理特征保持和综合程度自动控制等问题，王桥等提出基于分形分析的线要素自动综合方法40；吴纪桃等运用分形分析方法，从数量方面进行考虑，提出基于小波分析的线要素简化方法41；智能化的简化算法方面，武芳任海燕等对基于遗传算法的线要素简化方法进行了研究42,43；郑春艳等在蚁群优化算法基本原理的基础上引入长期禁忌表和局部搜索策略，提出基于蚁群优化算法的线要素简化算法44；马潇雅等提出基于克隆选择算法的线要素简化算法45和基于免疫遗传算法的线要素简化算法46。在道路移位方面，BURGHARDT提出基于SNAKE的移位方法47；武芳等在运用弹性力学思想对空间模板进行冲突检测和受力分析的基础上提出基于弹性力学思想的线目标位移模型48。123道路综合模型研究现状数字地图环境下的自动制图赖以实施的基础是模型、算法和知识，所以对综合模型的研究是一项基础性的工作49。合适的综合概念框架是解决自动地图综合这样复杂问题的前提，其理论模型必须能够描述整个综合过程，并且要区分基本的过程内容与步骤50。道路综合模型是描述道路综合过程中道路数据变换的框架，因此需要提出相应的综合概念模型，以指导综合过程。对道路综合模型主要从道路综合约束条件、道路综合知识和综合模型等方面进行研究。1、道路综合约束条件制图综合约束条件是制图综合过程中以及综合结果应该遵循的准则。制图综合的约束条件主要来源包括用户特征、制图目的、比例尺、地图符号、数据质量和设备限制。与本研究最为相关的来自用户特征的约束条件主要有用户认知方面AGRAWALA等基于认知心理学研究，在保持拓扑关系一致的前提下，通过道路长度的扭曲，拐点角度的变化，线条形状的简化等对路径地图进行综合，制作出符合人的认知特点的地图51。用户任务方面CECCONI等为了解决多尺度地图不能连续表达这一问题，提出利用MSDB和在线综合相结合，在MSDB的基础上建立不同尺度数据库的链接，利用在线综合方法在MSDB数据的基础上综合生成满足用户需求尺度地图的方法52,53。KULIK针对不同用户对空间信息有不同需求提出基于本体驱动的地图综合算法DMIN算法，使得跟用户任务相关的道路能够更多的保留细节54。用户位置方面刘召芹等提出适应LBS使用环境的“以满足空间认知需求”的导航地图制作方案，通过路线形状简化、路段长度伸缩、路段角度简化、路标提取、地标移位等处理，设计了路线简化图，缓解了目前在LBS应用中存在的地图数据与屏幕大小的矛盾55,56。用户速度方面施俊飞在探讨速度对移动地图空间认知影响的基础上，重点分析了速度与移动地图比例尺之间的关系，提出了不同速度下移动地图比例尺的效用曲线示意图，基于此实现顾及用户速度的移动地图道路综合57。此外，MUSTAFA,N等针对动态综合提出简化算法，这一算法针对大的地图数据集，基于矢栅混合结构，利用一些图形硬件（结构缓冲、色彩缓冲、模版缓冲、深度缓冲），实现线的简化58。2、道路综合规则制图综合知识规则是有关地理信息的信息抽象、概括和特征的知识与经验规则化，它是实现地图综合的源泉59。当前针对地图自动综合规则的研究包含综合规则分类、综合规则形式化表达和综合规则库的构建。综合规则分类方面，高文秀等将植被地图综合分为几何规则、属性信息综合规则、植被连续性分布规则、地图规则等60。刘晓慧指出制图综合知识规则一般包括地理要素重要性规则、地理要素选取规则、属性综合规则和图形综合规则61。张伟针对土地利用，将制图综合规则分为地物重要性规则、地物选取规则、小图斑综合规则、小间距地物判断与处理规则和边界化简规则62。蔺兴森总结了农用地分等汇总制图综合过程中需要遵循和运用的主要综合规则,包括地物重要性规则、地物选取规则、合并规则、聚合规则、融合规则、形状化简规则63。综合规则的形式化表达方面，综合规则的表达方式很多，如面向对象、产生式、逻辑、语义网络、框架、状态空间、概念从属、剧本等。在综合系统中，主要采取产生式规则60,6466和面向对象式规则6769来表达制图综合规则。综合规则库的构建方面，齐清文等按照概括条件、概括行为和概括要求（或概括水平）3个变量构建知识规则库三维坐标关系69。应申等针对不同的比例尺，依据地图图式，结合城市大比例尺地图数据的特点，构建了针对城市建筑物的综合规则库70。张伟和张利君分别针对土地利用专题图，构建了针对土地利用制图综合的规则库62,71。武芳等建立了河系自动综合的产生式规则库，在规则库中依据规则驱动采用正向推理完成河系选取的推理过程，推理中全面考虑了河网知识和综合中各条规则的优先级和权重72。牛方曲等基于产生式规则，构建了地图综合规则库73。3、道路综合模型从20世纪六十年代开始出现了许多优秀的地图综合概念框架模型，这些模型也可以用于指导道路综合。这些模型可以分为两类（1）基于过程的概念模型，这类模型关注综合的过程结构，主要有RATAJSKI提出了RATAJSKI模型74，将地图综合过程分为两个基本类型数量综合与质量综合。MORRISON提出了MORRISON模型75，将化简、分类、符号化、归纳之间的关系进行了形式化，基本思想是通过形式数学理论来阐述地图综合问题。NICKERSON和FREEMAN提出NICKERSON最坏情况下为ONONONON2ONO1ONONLOGNO1O1O1ON2。4算法适宜性评价算法能够动态和渐进地对街道进行选取，能够保存道路网的几何特征、分布特征和拓扑特征。该算法的局限性有一是整体信息量的计算是将三种信息量进行简单相加，没有考虑三种信息量的权重；二是算法计算过程中会出现局部优化问题；三是算法与尺度的关系是隐式对应的，没有建立尺度与算法输入参数之间的显示对应关系。7、基于路划网络功能评价的道路选取算法1算法思想该算法以路划为道路选取的单元，以路划网络基本功能作为道路选取的指标。路划网络功能通过网络分析获得，其衡量指标综合考虑了中心度、连接度、长度等因素；由于是通过基于图论的逐步搜索进行选取，因此选取出来的道路具有较好的连通性。选取过程主要是首先依据良好性原则构造路划；再计算各个路划功能综合指标；然后将路划依据其功能指标进行降序排列，并按给定的选取比例按顺序进行路划选取；最后对路划进行处理，保证其连通成网。2算法伪代码下面是基于路划网络功能评价的道路选取方法的伪代码，其中ROAD为原始道路数据集,STROKE为基于道路数据构建的路划，NODE为道路网节点N为道路网节点数,STROKE_NETWORK为选取后的路划网络。ALGORITHM37STROKE_NETWORK_FUNCTION_SELECTIONINPUTROAD,NODEOUTPUT道路选取结果数据集1STROKE_CONSTRUCTROAD2FORI0TON3FORJ0TON4CALCULATE_SHORTEST_PATHNODEI,NODEJ5FORI0TOSTROKENUMBER6CALCULATE_STROKE_CENTRALITYSTROKEI7FORI0TOSTROKENUMBER8CALCULATE_STROKE_CONNECTIVITYSTROKEI9FORI0TOSTROKENUMBER10CALCULATE_STROKE_LENGTHSTROKEI11FORI0TOSTROKENUMBER12CALCULATE_STROKE_FUNCTIONSTROKEI13SORT_STROKE_FUNCTIONSTROKE14WHILETERMINAL_CONDITIONISFALSE15SELECT_STROKESTROKE16WHILESTROKE_NETWORKISNOTCONNECTED17SELECT_MINUM_SCALE_CONNECTED_ROAD_NETWORK3算法时间复杂度分析从上述伪代码可以看出，第1步是构建路划，其时间复杂度依赖于道路网的存储结构，最好情况下为ONE。第2、3、4三句为计算道路网所有节点之间的最短路径，其时间复杂度为ON2。第5、6两句为计算所有路划的路径中心度，对于每条路划，都要判断所有道路节点之间的最短路径是否经过该条路划，其时间复杂度为ON2。第7、8两句为计算每条路划的连接度，可以根据每条路划上的节点数目来判断，其时间复杂度为ON。第9、10两句为计算每条路划的长度，其时间复杂度为ON。第11和12两句为计算每条路划的功能评价综合指标，需要利用路划的中心度指标、连接度指标和长度指标来综合计算，其时间复杂度为ON。第13句为对路划的中心度指标进行降序排列，其时间复杂度依赖于所用的排序算法，最好情况下是ONLOGN。第14和15两句是按照设定的选取比例对排序好的路划进行选取，其时间复杂度为ON。第16和17两句为判断选取的结果路划是否连通成网，若否，则利用广度优先搜索来选取最小规模的连通网，其时间复杂度为ONE。因此，基于路划网络功能评价的道路选取方法的时间复杂度为ONEON2ON2ONONONONLOGNONONEON2。4算法适宜性评价基于路划网络功能评价的道路选取方法的优点是以能较好地保持道路网的整体结构；二是适用性较强，能处理各种形态的道路网；三是路划功能的评价指标能反映路网的层次性；四是不依赖于各种道路属性数据，在属性数据不完整的情况下仍可以使用。该算法的局限性有以是路划功能评价在对处在路网边缘的道路不利，需要调整评价方法；二是道路选取的结果依赖于芦花构建的质量，需改进路划构建方法。8、基于ID3决策树推理的道路选取算法1算法思想借鉴ID3决策树构建一种合理的知识推理模型，通过大量训练实例建立决策树，从决策树中抽取可执行的分类规则，基于规则进行道路选取。选取过程主要是首先基于训练样本集和道路数据属性集以及目标比例尺对道路表达的要求构建决策树；其次基于决策树进行知识推理，形成产生式规则；最后基于产生式规则对道路进行选取。2算法伪代码下面是基于ID3决策树推理的道路选取方法的伪代码，其中ROAD为原始道路数据集，SAMPLES是训练样本集，PROPERTIES为道路属性数据集,PROVISION为目标比例尺下对道路网表达的要求和规定。ALGORITHM38ID3_DECISION_TREE_SELECTIONINPUTSAMPLES,PROPERTIESOUTPUT道路选取结果数据集1CALCULATE_DECISION_ATTRIBUTE_ENTROPYSAMPLES,PROPERTIES2CALCULATE_CONDITION_ATTRIBUTE_ENTROPYSAMPLES,PROPERTIES3CALCULATE_CONDITION_INFORMATION_GAINSAMPLES,PROPERTIES4SORT_INFORMATION_GAIN5BUILD_DECISION_MAKING_TREESAMPLES,PROPERTIES,PROVISION6FORM_PRODUCTION_RULE7SELECT_ROADROAD3算法时间复杂度分析从上述伪代码可以看出，第1步到第5步为基于ID3算法构建决策树的过程，第1步为计算类的信息熵，第2步为计算条件的信息熵，第3步为计算属性的信息增益，第4步为对类的信息增益值进行降序排列，第5步为选择信息增益最大的属性循环构建决策树的过程，其时间复杂度为ON2LOGN,经改进可以提高到ON2114。第6步为根据构建的决策树生成产生式规则，其时间复杂度与决策树的高度相关，平均情况下为ONLOGN。第7步为根据产生式规则对道路进行选取的过程，其时间复杂度与决策树平均高度和道路数目相关，平均情况下为ON2LOGN。因此，基于ID3决策树推理的道路选取算法的时间复杂度为ON2ONLOGNON2LOGNON2LOGN。4算法适宜性评价基于ID3决策树推理的道路选取算法的优势主要有一是能够减少手工作业量，大大提高选取效率；二是选取后的道路网整体结构保持较好；三是综合力度适中，综合后的道路数据能够反映制图区域的道路分布总体特征；四是综合过程中考虑了多方面的属性，比基于规则的选取方法具有更强的适应性；五是决策树知识具有很强的可操作性，并且容易组织，选取效率高。该算法的局限性为选取过程中没有考虑道路网的拓扑结构，会导致一些等级高但是长度较短的道路会删除。9、基于层次随机图的道路选取算法1算法思想道路网是一种典型的空间复杂网络，层次结构是道路网最重要的性质之一。基于层次随机图模型，以路划作为道路的基本单元，以对偶图作为道路模型，建立道路网的对偶图，在对偶图之上简历道路网的层次随机图，然后计算道路网的累计权重值，并用累计权重值来衡量每条道路在整体层次结构中的重要性，并据此进行道路的选取。2算法伪代码下面是基于层次随机图的道路选取方法的伪代码，其中ROAD为原始道路数据集，STROKE是基于原始道路构建的路划集，ORIG_SCALE为原始数据比例尺，RES_SCALE为结果数据比例尺，THRESHOLD为根据道路的原始比例尺和结果比例尺计算出来的选取比例阈值，SELECT_PER为道路选取比例。ALGORITHM39HIERARCHICAL_RANDOM_GRAPH_SELECTIONINPUTROAD，ORIG_SCALE，RES_SCALEOUTPUT道路选取结果数据集1FORM_STROKEROAD2FORM_HIERARCHICAL_RANDOM_GRAPHSTROKE3FORI0TOSTROKENUMBER4CALCULATE_ACCUMULATE_WEIGHTSTROKEI5SORT_ACCUMULATE_WEIGHTSTROKE6WHILESELECT_PERLESSTHANTHRESHOLD7SELECT_STROKESTROKE3算法时间复杂度分析从上述伪代码可以看出，第1步为将道路构建为路划，其时间复杂度依赖于道路网的存储结构，最好情况下为ONE。第2步是基于路划构建层次随机图，首先将道路转换为无向图，然后根据无向图构建层次随机图，其时间复杂度为ONN,经过改进后可以提高到ON2115。第3、4两步是基于层次随机图计算每条路划的累加权重值，其计算次数与二叉树高度相关，时间复杂度为ON2LOGN。第5步是对计算出来的路划累加权重值进行降序排列，其时间复杂度依赖于所用的排序算法，最好情况下是ONLOGN。第6、7两步为按照选取比例对道路进行选取的过程，其时间复杂度为ON。因此，基于层次随机图的道路选取方法的伪代码为ONEON2ON2LOGNONLOGNONON2LOGN。4算法适宜性评价基于层次随机图的道路选取方法的优点是该算法基于道路网的层次结构模型，能从整体上衡量道路的重要性。该算法的局限性是其运算量很大，时间复杂度较高。322简化算法适宜性分析道路的化简是道路综合中研究较多，也是效果较好的方面，主要是在保持线状道路要素基本形状的基础上，通过减少道路上的点数量，达到删除冗余数据、减少数据存储量的目的。道路简化的基本要求有以下几个方面一是图形特征，保持弯曲形状或轮廓图形的基本特征、保持弯曲的特征转折点的精确性、保持不同地段弯曲程度的对比116；二是重要的特征点要保留；三是拓扑特征，主要指简化过程中要避免产生相交和自相交错误。目前已经积累了很多成熟的线要素简化算法。这些算法主要是从几何特征出发，通过距离、角度、面积、和缓冲带来设定阈值和约束条件，很多算法没有考虑线的特征以及空间关系的维护。常用的道路简化算法主要有1、DOUGLASPEUCKER算法1算法思想DOUGLASPEUCKER算法基于ATTNEAVE理论，该理论认为曲线段的特征点可以范围曲线段的图形信息，特征点也就是极值点，多分布在弯曲大的地方。简化过程是虚连接曲线段的始点和终点形成一条线段，然后计算始点和终点之间的中间点到这条虚线段的距离并找到其中最大的距离DMAX，比较DMAX与阈值D的大小，若DMAX小于D，则删除曲线段上始点和终点之间的所有中间点；若DMAX大于D，则保留DMAX对应的点，并以该点为界把曲线分为两个部分，然后分别对这两部分曲线重复使用上面的方法，直到始点终点之间没有中间点。图33DOUGLASPEUCKER算法原理图DOUGLAS,PEUCKER,19732算法伪代码下面是DOUGLASPEUCKER算法的伪代码，ROAD为原始道路数据集,I是单条道路中的第I个点，J是单条道路中的第J个点，POINT_NUMBER为单条道路中的点数，THRESHOLD为根据道路的原始比例尺和结果比例尺计算出来的距离阈值。ALGORITHM310DOUGLASPEUCKER_SIMPLIFICATIONINPUTI,J,THRESHOLDOUTPUT道路简化结果数据集1FORI0TOPOINT_NUMBER2FINDFARTHESTPOINTPMBETWEENPIANDPJ3IFDISTANCEPK,PIPJTHRESHOLD4DOUGLASPEUCKERI,K,THRESHOLD5GOUGLAS_PEUCKERK,J,THRESHOLD6CONCATENATE_RESULT_DATAI,K,J7ELSE8DELETE_ALL_DATA_BETWEEN_IJ3算法时间复杂度分析从上述伪代码可以看出，第1步和第2步是遍历道路中的所有点坐标，找出距离线要素首尾两点连成的线距离最大的点要素，其时间复杂度为ON。第3步到第8步是判断最大的距离与距离阈值的关系，如果最大距离大于距离阈值，则把该道路要素从最大点出分成两段，继续进行化简，如果最大距离小于距离阈值，则把中间节点全部删除，只保留首尾两点。这一部分的时间复杂度跟道路数据的质量相关，平均情况下的时间复杂度为ONLOGN，最坏情况下为ON2。因此，DOUGLASPEUCKER算法的时间复杂度平均情况下为ONONLOGNONLOGN最坏情况下为ONON2ON2。4算法适宜性评价DOUGLASPEUCKER算法的优点是一是该算法能最大程度的保持信息量，能够较好的保持道路数据的几何特征；而是该算法具有相对原图位置偏移量最小的特点，具有较高的位置精度。该算法的局限性有一是对于封闭的道路，不存在首尾点，无法直接使用DOUGLASPEUCKER算法；二是道路在简化过程中有可能会出现相交和自相交现象，导致结果数据的拓扑错误；三是按照点序列的正序和反序简化的结果不同，简化的结果与点序的执行顺序相关。2、LIOPENSHAW算法1算法原理LIOPENSHAW算法是基于自然规律的算法，以人的视觉原理为基础，通过人眼与其观察的物体的距离来判别，距离越近，物体的细节层次就越丰富；距离越远，则相反。但是人眼的视觉分辨率是有限制的，定义人眼在图上能够分辨出的最小目标直径为最小可视目标（SVO）直径，其计算公式为33_RES_D1CORIGSCALEFSALSD为目标比例尺地图上SVO的参数，ORIG_SCALE为目标比例尺的分母，RES_SCALE比例尺的分母。简化过程为根据目标比例尺估算SVO尺寸FC的数值；确定第一个圆形SVO的位置。如下图A为待综合曲