为了克服开放街道地图数据的空间异质性特征对其在数据匹配、更新等方面应用所造成的影响,提出一种基于指标相关性的指标权重确定算法(Criteria Importan ce Through Inter-criteria Correlation,简称CRITIC)的开放街道地图面实体匹配...为了克服开放街道地图数据的空间异质性特征对其在数据匹配、更新等方面应用所造成的影响,提出一种基于指标相关性的指标权重确定算法(Criteria Importan ce Through Inter-criteria Correlation,简称CRITIC)的开放街道地图面实体匹配方法。该方法充分考虑开放街道地图数据的空间异质性,在开放街道地图中面实体与其他数据进行匹配时,引入CRITIC算法计算开放街道地图数据中每个面要素几何相似因子的权重,避免了对匹配数据集中的所有面实体采用相同的相似因子权重,减少了人为定权方法所带来的主观性及局限性,提高了开放街道地图面实体与其他数据集的匹配精度。实验结果表明,该方法有效地克服了开放街道地图数据的空间异质性特点对匹配精度的影响,提升了开放街道地图中面实体与其他面实体数据的匹配精度,匹配的准确率、召回率和F1分数分别达到97.56%、98.04%和97.80%,均优于对比方法。展开更多
文摘为了克服开放街道地图数据的空间异质性特征对其在数据匹配、更新等方面应用所造成的影响,提出一种基于指标相关性的指标权重确定算法(Criteria Importan ce Through Inter-criteria Correlation,简称CRITIC)的开放街道地图面实体匹配方法。该方法充分考虑开放街道地图数据的空间异质性,在开放街道地图中面实体与其他数据进行匹配时,引入CRITIC算法计算开放街道地图数据中每个面要素几何相似因子的权重,避免了对匹配数据集中的所有面实体采用相同的相似因子权重,减少了人为定权方法所带来的主观性及局限性,提高了开放街道地图面实体与其他数据集的匹配精度。实验结果表明,该方法有效地克服了开放街道地图数据的空间异质性特点对匹配精度的影响,提升了开放街道地图中面实体与其他面实体数据的匹配精度,匹配的准确率、召回率和F1分数分别达到97.56%、98.04%和97.80%,均优于对比方法。
