研究目标
地图数据匹配是地理数据库更新的重要技术支撑。针对传统方法需要人工确定匹配判断阈值和匹配因子权重，以及机器学习方法特征提取能力差等问题，提出基于谱域图卷积的多尺度面状建筑物匹配方法。
技术创新
融合图自编码器与多层感知机，构建GAE-MLP模型
应用价值
实现多源数据融合与地理数据库自动更新
核心指标
97.76%
综合F1值
97.98%
综合准确率
3.53%
比BP神经网络提升
GAE-MLP技术架构
模型组成
图自编码器
编码器与解码器由两层图卷积层构成，采用谱域图卷积进行特征提取
特征增强模块
聚合节点级编码形成图级表示，融合几何与邻域特征
MLP分类器
三层全连接网络，通过Softmax函数输出匹配概率
特征体系
局部特征 (6维)
转角α
夹角γ
三角面积ST
中心面积SC
邻居距离Dis
中心长度Len
图级特征
几何特征：面积、方向、圆形度、偏心率、矩形度
邻域特征：邻域大小、邻域方向
分离式匹配策略
初次匹配
1:1 & 1:N
候选对搜索
采用缓冲区分析法搜索候选匹配对
图结构构建
将建筑物顶点作为图节点，连接关系作为边
匹配判断
GAE-MLP模型输出匹配概率，后处理优化结果
二次匹配
M:1 & M:N
复合搜索
缓冲区分析与双向叠置分析相结合
多边形合并
将非1:1匹配转化为1:1匹配处理
复杂关系
处理M:1和M:N等复杂匹配关系
实验结果与性能对比
方法对比结果
GAE-MLP (本文)
97.68%
F1 Score
CatBoost方法
96.92%
F1 Score
相似度方法
95.16%
F1 Score
BP神经网络
94.15%
F1 Score
不同匹配类型精度
| 匹配类型 | Precision | Recall | F1 |
|---|---|---|---|
| 1:1类型 | 98.87% | 99.24% | 99.05% |
| 1:N类型 | 96.32% | 97.04% | 96.68% |
| M:1类型 | 100.00% | 100.00% | 100.00% |
| M:N类型 | 95.00% | 98.28% | 96.61% |
技术优势与创新点
特征提取增强
通过图神经网络深度挖掘建筑物的形状、大小、方向等多维特征信息，相比传统方法特征表达能力显著提升
自动化程度高
克服传统方法依赖人工设定匹配阈值与因子权重的局限性，实现端到端的自动化匹配
复杂关系处理
有效应对位置偏移与形状同质化问题，准确处理1:N、M:N等复杂匹配关系