(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011055015.X
(22)申请日 2020.09.30
(71)申请人 武汉大学
地址 430072 湖北省武汉市武昌区珞珈山
武汉大学
(72)发明人 程若桢 陈静
(74)专利代理机构 武汉科皓知识产权代理事务
所(特殊普通合伙) 42222
代理人 王琪
(51)Int.Cl.
G06F 16/36(2019.01)
G06F 16/35(2019.01)
G06F 16/33(2019.01)
G06F 16/31(2019.01)
G06F 16/387(2019.01)
G06F 16/29(2019.01)G06N 3/08(2006.01)G06N 3/04(2006.01)
(54)发明名称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(57)摘要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。权利要求书4页 说明书18页 附图7页CN 112148894 A 2020.12.29
C N 112148894
A
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WGS
84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。
4.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中采用“道路名+Code(SW)+Code(NE)”的方式来命名方位道路，Code(SW)和Code(NE)分别为方位道路的MBR的SW顶点和NE顶点的基于ELLGs的网格编码，选择它们的标准是能够区分对应于不同内部方位信息的方位道路；获取Code(SW)和Code(NE)的方式如下，ELLGs的最大尺度为Lmax：
①获取道路名中不包含方位信息的道路的所有方位道路的MBR；
②初始化k＝0，0≤k≤Lmax；
③计算各MBR的SW顶点和NE顶点在尺度k的网格编码；
④如果存在两个MBR的SW顶点的网格编码相同且NE顶点的网格编码相同，则令k＝k+1，并返回③；否则，为各MBR选择尺度为k的SW顶点的网格编码和NE顶点的网格编码。
5.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a2中所述标记策略如下：
(1)根据道路实例来模拟不包含方位信息的参考道路描述和包含方位信息的非标准的参考道路描述：
①移除道路名中的方位信息来获取不包含方位信息的描述；
②为不包含方位信息的道路名补充八种方位信息来获取包含方位信息的非标准描述；
(2)为每一个参考道路描述获取相同数量的匹配的道路实例和不匹配的道路实例：
①如果参考道路描述不包含方位信息，则匹配的道路实例是转化为该描述之前的道路名，不匹配的道路实例从除匹配的道路实例之外的道路实例中随机选择；
②如果参考道路描述为包含方位信息的非标准描述，则按照如下优先级获取匹配的道路实例：
i.包含了相同或近义的方位信息的道路名；
ii.基于道路本体模型建模的方位道路；
iii.不包含方位信息的道路名；
不匹配的道路实例从除匹配的道路实例之外的道路实例中随机选择，而且优先从包含相反的方位信息的道路实例中随机选择。
6.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a3中将标记数据集从文本转换为向量格式的方式如下，
①将道路数据集中的道路名、标记数据集中的参考道路描述和道路实例构成语料库，基于词向量模型训练语料库中的单词的n维词向量；
②构造包含语料库中所有单词的词向量字典；
③通过字符串分割将标记数据集中的参考道路描述和道路实例均表达为词组，并根据最大的词组长度maxlength，将所有参考道路描述的词组长度对齐为maxlength，将所有道
路实例的词组长度对齐为maxlength-1；
④通过查词向量字典，将标记数据集中的参考道路描述的词组转化为maxlength*n 维向量矩阵，将道路实例的词组转化为(maxlength-1)*n维向量矩阵；
并且，通过连接标记数据集中的size个道路实例的(maxlength-1)*n维向量矩阵可获得候选匹配实例的size*(maxlength-1)*n维向量矩阵。
7.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：所述基于深度学习的道路语义匹配模型是对ESIM模型的改进和拓展，其中步骤a4的具体实现方式如下，
①输入层：该层采用三个向量表示作为输入，a为参考道路描述的向量矩阵，b为道路实例的向量矩阵，c为新引入的方位向量；
②输入编码层：该层首先连接b和c以获得语义增强的向量矩阵b’；然后将a和b’分别送入双向GRU模型以生成新的向量矩阵和
，然后通过注意力机制从和
③局部推理层：该层首先获得和的注意力权重矩阵e
中捕获相关单词且生成和接着通过连接二者的差和点积，来增强局部推理信
息，标记为m a，类似地获得m b’；
④推理组合层：该层首先使用双向GRU模型来提取m a和m b’的更高层次表达，标记为v a和v b’；然后分别对v a和v b’计算所有隐藏状态的最大池，获取最终隐藏状态；并连接了最终隐藏状态，最大池，二者的差和点积，来获得增强的全局推理结果；
⑤预测层：该层利用包含三个全连接层的多层感知器输出待比较对的预测结果。
8.如权利要求1所述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b2的具体实现方式如下，
①初始化k＝0；
②计算所有道路实例的MBR的顶点所在的尺度为k的网格集合GridSet k，0≤k≤Lmax，Lmax，Lmax为ELLGs的最大尺度；
③建立网格集合GridSet k中的网格grid i(k，columni，rowi)和其关联的道路语义的映射Map k(grid i，roads)，columni为列编码，rowi为行编码，roads为道路语义；
④计算GridSet k的编码范围，得到columnA≤columni≤columnB，rowA≤rowi≤rowB，columnA和columnB分别为列编码的最小值和最大值，rowA和rowB分别为行编码的最小值和最大值；
⑤如果columnA＜columnB且rowA＜rowB，则执行⑥到⑧；否则，令k＝k+1，并返回②；
⑥通过GridSet k和Map k(grid i，roads)来构造GridSet k-1中同一行网格内的NE关系和NW
关系，即，当rowA≤rowi＜rowB时，令rowi＝rowA，如果满足则构造code2(k，rowi+1，column2)相对于code1(k，rowi，column1)的NE关系和code2(k，rowi+ 1，column2)相对于code1(k，rowi，column1)的NW关系，然后令rowi＝rowi+1，迭代执行上述NE关系和NW关系的构造过程；否则令rowi＝rowi+1，迭代执行上述NE关系和NW关系的构造过程；
⑦通过GridSet k和Map k(grid i，roads)来构造GridSet k-1中同一列网格内的NE关系和NW 关系，即，当co l um n A≤c o l um n i＜c o l um n B时，令c o l um n i＝c o l um n A，如果满足
则构造code2(k，columni+1，row2)相对于code1(k，columni，row1)的NE关系和code1(k，columni，row1)相对于code2(k，columni+1，row2)的NW 关系，然后令columni＝columni+1，迭代执行上述NE关系和NW关系的构造过程；否则，令columni＝columni+1，迭代执行上述NE关系和NW关系的构造过
程；
⑧令k＝k+1，并返回②；
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。
9.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4的具体实现包括如下子步骤，
步骤c1，将参考道路描述从文本转化为向量表达；
在步骤c1中，按照如下步骤将参考道路描述转化为向量格式：
(1)通过字符串分割将参考道路描述表达为词组；根据最大的词组长度maxlength，将参考道路描述的词组长度对齐为maxlength；
(2)通过查词向量字典，将参考道路描述的词组转化为maxlength*n维向量矩阵，n为词向量的维数；
步骤c2，根据道路语义匹配模型，获取参考道路描述和所有候选匹配实例的相似度，并选择相似度最高的候选匹配实例作为匹配实例。
10.如权利要求9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c2中获取参考道路描述的匹配实例的方式如下，
①建立方位道路和其对应的道路内部的方位信息的映射关系；
②获取由参考道路描述和单个候选匹配实例组成的数据对的方位向量：如果参考道路描述包含方位信息，候选匹配实例是方位道路，并且方位道路中的道路名和参考道路描述中的道路名相同，方位道路对应的道路内部的方位信息中包含参考道路描述中的方位信息，则方位向量为参考道路描述中的方位信息的词向量；否则，方位向量为零向量；连接所有的方位向量构建方位向量矩阵；
③连接参考道路描述的向量，将其扩充成与候选匹配实例的向量矩阵相同大小的向量矩阵；
④将参考道路描述的向量矩阵、候选匹配实例的向量矩阵、方位向量矩阵作为道路语义匹配模型的输入，获得相似度预测值的向量矩阵；
⑤选择相似度预测值的向量矩阵中的最大值对应的候选匹配实例作为匹配实例。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议