龔敏霞，袁 賽，儲(chǔ)征偉，張書亮，房彩麗

1．南京師范大學(xué)虛擬地理環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京210023；2．江蘇省國(guó)土資源信息中心，江蘇 南京210017；3．南京師范大學(xué)強(qiáng)化培養(yǎng)學(xué)院，江蘇南京210023；4．南京市測(cè)繪勘察研究院有限公司，江蘇 南京210019；5．江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，江蘇 南京210023

1 引 言

地下管線是城市物質(zhì)流、能量流和信息流的主要通道，是城市重要的基礎(chǔ)設(shè)施和“生命線”。受管線管理模式及管線空間數(shù)據(jù)應(yīng)用目的差異的影響，當(dāng)前城市管線信息化中普遍存在兩種不同類型的管線地理信息系統(tǒng)應(yīng)用：為城市規(guī)劃、管理服務(wù)的綜合地下管線地理信息系統(tǒng)；為管線權(quán)屬單位運(yùn)維服務(wù)的專業(yè)地下管線地理信息系統(tǒng)。近年來，隨著“數(shù)字城市”建設(shè)的推進(jìn)，兩類地下管線地理信息系統(tǒng)作為支撐城市規(guī)劃、建設(shè)和管理的核心信息化應(yīng)用，其空間數(shù)據(jù)也日益成為城市空間信息共享資源的重要內(nèi)容。雖面向城市同一區(qū)域內(nèi)的相同管線對(duì)象，兩類管線數(shù)據(jù)卻在數(shù)據(jù)模型和空間定位精度方面差異明顯，由此引發(fā)的不同類型地下管線數(shù)據(jù)集成、融合、共享、交換問題在城市管線信息化深入應(yīng)用中日益突出，并進(jìn)一步致使城市內(nèi)建設(shè)的各個(gè)地下管線信息系統(tǒng)成為“信息孤島”［1］。因此，如何通過實(shí)體匹配的方式識(shí)別相同管線間的對(duì)應(yīng)關(guān)系成為解決這些問題的關(guān)鍵所在。

同名實(shí)體的匹配就是通過分析空間實(shí)體相似性識(shí)別出不同來源圖中表達(dá)現(xiàn)實(shí)世界同一地物或地物集的過程［2］?？臻g相似性是空間信息認(rèn)知的重要內(nèi)容，實(shí)體匹配算法中常用的指標(biāo)有空間信息指標(biāo)和屬性信息指標(biāo)［3］，通過計(jì)算幾何、拓?fù)?、語(yǔ)義等方面的空間相似性，作為匹配參考依據(jù)。根據(jù)選取的相似性因子，分為幾何匹配、拓?fù)淦ヅ浜驼Z(yǔ)義匹配，主要的算法有緩沖區(qū)法［4－5］、幾何距離法［6－7］、形狀相似性法［8］、語(yǔ)義距離相似性法［9］等，亦有采用多空間相似因子的匹配算法［2］。道路網(wǎng)匹配延續(xù)傳統(tǒng)空間相似性計(jì)算方法，針對(duì)匹配數(shù)據(jù)尺度是否相同，有面向多尺度數(shù)據(jù)的匹配［4，8］和單一尺度下的匹配［10－11］。多尺度下，數(shù)據(jù)匹配多從弧段角度計(jì)算弧段幾何距離相似性，單一尺度數(shù)據(jù)下匹配則多以節(jié)點(diǎn)為中心的道路結(jié)構(gòu)相似性作為匹配依據(jù)，而基于道路網(wǎng)數(shù)據(jù)自身特征與空間相似性指標(biāo)又演化出概率松弛法［12］、蟻群算法［13］等。

地下管線與道路網(wǎng)類似，是典型的“節(jié)點(diǎn)—弧段”結(jié)構(gòu)，其空間結(jié)構(gòu)、屬性信息和形狀特征明顯，因而道路網(wǎng)匹配算法對(duì)地下管線的匹配具有一定借鑒意義，但與道路數(shù)據(jù)不同，地下管線數(shù)據(jù)中節(jié)點(diǎn)類型多樣且節(jié)點(diǎn)分布相對(duì)密集，因而從弧段出發(fā)運(yùn)用單一的幾何距離衡量管線相似性會(huì)存在誤差。此外，管線數(shù)據(jù)中無論是節(jié)點(diǎn)還是弧段，其語(yǔ)義信息都要比路網(wǎng)數(shù)據(jù)復(fù)雜?；诖?，設(shè)計(jì)適合管線自身數(shù)據(jù)特征的空間相似性指標(biāo)，構(gòu)建科學(xué)、高效的計(jì)算模式與匹配算法則是管線數(shù)據(jù)能否正確匹配的關(guān)鍵。本文以城市地下天然氣管線為研究對(duì)象，結(jié)合管線自身特征從管點(diǎn)匹配角度出發(fā)，以地下管線結(jié)構(gòu)、語(yǔ)義、形狀等特征的相似性為管點(diǎn)空間特征向量，提出了一種綜合性的管線數(shù)據(jù)匹配算法。

2 兩類管線數(shù)據(jù)差異分析及匹配算法思想

兩類地下管線數(shù)據(jù)雖都由其各自的管點(diǎn)（點(diǎn)狀設(shè)施）與管段（線狀設(shè)施）地理實(shí)體資源組成，但由于數(shù)據(jù)采集方式和處理標(biāo)準(zhǔn)的不同，兩類數(shù)據(jù)在數(shù)據(jù)精度、空間結(jié)構(gòu)、屬性表達(dá)上差異較大。

圖1是同一小塊區(qū)域內(nèi)天然氣管線的空間數(shù)據(jù)圖形表示，其中圖1（a）是綜合地下管線，圖1（b）是專業(yè)地下管線。圖1（a）中的A2管點(diǎn)和圖（b）中的B2管點(diǎn)，從經(jīng)驗(yàn)判斷上同為天然氣“彎頭”對(duì)象，但兩個(gè)管點(diǎn)的位置坐標(biāo)明顯不同；圖1（a）中類型為“多通”的A3管點(diǎn)，在圖1（b）中對(duì)應(yīng)的B3其類型卻為“三通”；圖1（a）中A4管點(diǎn)與圖1（b）B4管點(diǎn)的直連管段數(shù)也不相同?？紤]到從管段角度出發(fā)的矢量數(shù)據(jù)匹配算法需要顧及管段之間存在著的N∶1、1∶1、1∶0、M∶N 等多種復(fù)雜對(duì)應(yīng)關(guān)系，而采用先匹配管點(diǎn)再匹配管段的算法更符合管線數(shù)據(jù)匹配的實(shí)際情況。以管點(diǎn)為中心的匹配過程中，管點(diǎn)關(guān)聯(lián)的管段及管點(diǎn)本身信息是匹配的重要依據(jù)。管點(diǎn)距離可以間接反映管點(diǎn)實(shí)體空間相關(guān)性，待匹配管點(diǎn)對(duì)距離過大，其相關(guān)性越低；管點(diǎn)直接關(guān)聯(lián)管段方向、長(zhǎng)度信息在局部空間上描述了管線形態(tài)和空間結(jié)構(gòu)特征；管點(diǎn)關(guān)聯(lián)的多級(jí)管段在方向、形狀上反映出管線的形狀特征；管點(diǎn)分類及關(guān)聯(lián)管段的屬性信息表達(dá)了管線語(yǔ)義特征。因而，本文選取管點(diǎn)間距離Dis、管線空間結(jié)構(gòu)相似性Sims、管線語(yǔ)義相似性Simp和管線形狀相似性Simf綜合評(píng)價(jià)待匹配管點(diǎn)對(duì)間相似性程度，一對(duì)管點(diǎn)對(duì)（A，B），形成一組管點(diǎn)對(duì)相似向量Vector（A，B）＝［Dis（A，B）Sims（A，B）Simp（A，B）Simf（A，B）］，用于描述管點(diǎn)實(shí)體間相似性。具體的匹配算法流程如圖2所示。

考慮到管線數(shù)據(jù)量龐大，在計(jì)算所有因子之前，縮小參與匹配的管點(diǎn)實(shí)體集合是有必要的，本文選取距離閾值初步篩選候選匹配實(shí)體集進(jìn)行數(shù)據(jù)預(yù)處理。

設(shè)定閾值δd，計(jì)算兩個(gè)管點(diǎn)的空間幾何距離，與閾值δd比較。當(dāng)兩點(diǎn)距離小于閾值時(shí)，初步判定為同一地物。

假設(shè)綜合地下管線管點(diǎn)集合為M，專業(yè)地下管線管點(diǎn)集合為N，設(shè)綜合管點(diǎn)Ai∈M，1≤i≤m，坐標(biāo)為（xA，yA）；專業(yè)管點(diǎn)Bj∈N，1≤j≤n，ii坐標(biāo)為（xB，yB）。兩點(diǎn)間距離 Dis（Ai，Bj），距離閾值δd。若Ai與Bj滿足式（1），則兩管點(diǎn)為匹配實(shí)體集初始管點(diǎn)對(duì)之一。

圖1 天然氣地下管線空間數(shù)據(jù)實(shí)例Fig．1 A case of partial data based on professional pipelines and integrated pipelines

圖2 算法流程Fig．2 Algorithm flow chart

通過閾值約束，選取有可能成為匹配管點(diǎn)對(duì)的集合，在降低匹配實(shí)體數(shù)量的同時(shí)，為之后的相似度計(jì)算奠定基礎(chǔ)，得到初始匹配實(shí)體集S＝

在初始匹配集合基礎(chǔ)上，計(jì)算管線空間結(jié)構(gòu)、語(yǔ)義、形狀相似性，采用SVM支持向量機(jī)的分類方法篩選待匹配管點(diǎn)集合，之后通過管點(diǎn)唯一匹配原則選取實(shí)體集中未匹配管點(diǎn)中相似性最大管點(diǎn)對(duì)，最終得到管點(diǎn)匹配實(shí)體集。

3 管線空間相似性計(jì)算方法

3．1 管線空間結(jié)構(gòu)相似性

管線空間結(jié)構(gòu)是指以管點(diǎn)為中心，其直接關(guān)聯(lián)的管段所形成的管線空間分布形態(tài)?？紤]到管線間的長(zhǎng)度與方向的相似程度是衡量?jī)蓚€(gè)管線是否相似的重要指標(biāo)，因而描述管線空間結(jié)構(gòu)的相似程度是將管點(diǎn)關(guān)聯(lián)管段的方向、長(zhǎng)度等拓?fù)湫畔⑼ㄟ^模型轉(zhuǎn)化為直觀數(shù)字方便比較的過程，其中轉(zhuǎn)換模型方法參照文獻(xiàn)［11］中的拓?fù)湎嗨贫扔?jì)算方法。

設(shè)初始匹配實(shí)體集中某綜合管點(diǎn)A關(guān)聯(lián)的一管段為lAa，起點(diǎn)為A，終點(diǎn)為A′，其中l(wèi)Aa為管點(diǎn)A關(guān)聯(lián)的第a個(gè)管段，1≤a≤m，m為A關(guān)聯(lián)管段的個(gè)數(shù)；與管點(diǎn)A對(duì)應(yīng)的專業(yè)管點(diǎn)B關(guān)聯(lián)的一管段為lBb，起點(diǎn)為B，終點(diǎn)為B′，其中l(wèi)Bb代表管點(diǎn)B關(guān)聯(lián)的第b個(gè)管段，1≤b≤n，n為B關(guān)聯(lián)管段的個(gè)數(shù)。設(shè)管線長(zhǎng)度Length（lBb）＜Length（lAa），為比較兩管段的相似性，首先需在lAa管段上截取一段與lBb等長(zhǎng)的管段，設(shè)在AA′管段上的截點(diǎn)為K，連接AK形成向量α，連接BB′形成向量β，則lAa與lBb形成的向量相似度v為

管線間的空間結(jié)構(gòu)相似性計(jì)算需要在綜合管段集合與專業(yè)管段集合中查找最佳匹配的管段。在兩管段集合進(jìn)行笛卡兒積運(yùn)算的基礎(chǔ)上，根據(jù)管段間向量相似度值的大小進(jìn)行查找，其具體計(jì)算步驟如下：

首先，任意兩管點(diǎn)關(guān)聯(lián)管段進(jìn)行笛卡兒積運(yùn)算，對(duì)每對(duì)管段進(jìn)行向量相似性計(jì)算，得到n×m的管線向量相似度矩陣TAB

其次，在相似度矩陣T中查找最大值vi，則管段lBi與管段lAj為最相似，同時(shí)將矩陣T中第i行，第j列的矩陣值最小化，并記錄行列號(hào)i、j。

最后，重復(fù)上一步驟，直至查找到的相似管段對(duì)數(shù)達(dá)到兩管點(diǎn)關(guān)聯(lián)管段數(shù)最小值min（n，m）時(shí)，停止查找，得到相似性管段行列號(hào)集合｛（h1，l1），（h2，l2），…，（hmin（n，m），lmin（n，m））｝，hi和li分別是管點(diǎn)B、A關(guān)聯(lián)管段集合中的編號(hào)，其中1≤i≤min（n，m）。

由此管線空間結(jié)構(gòu)相似度Sims的計(jì)算公式為

3．2 管線語(yǔ)義相似性

管線語(yǔ)義是指地下管線數(shù)據(jù)中概念名稱及屬性的語(yǔ)言表達(dá)。在管線數(shù)據(jù)中，管點(diǎn)比管段的語(yǔ)義分類完善，為降低語(yǔ)義相似計(jì)算復(fù)雜度，計(jì)算管點(diǎn)間的概念相似性作為管線語(yǔ)義相似性。本體是語(yǔ)義的形式化表達(dá)，是衡量本體相似性的有效工具。依據(jù)文獻(xiàn)［14—16］等管線地理信息標(biāo)準(zhǔn)，構(gòu)建包含概念、分類及屬性等的管線地理信息本體，其部分本體片段如圖4所示。天然氣綜合管點(diǎn)主要分為特征點(diǎn)和附屬物兩類，特征點(diǎn)有多通、彎頭、變徑（深）點(diǎn)、非普查4類，附屬物有閥門井、檢修井、伸縮管井、凝水缸、閥門、預(yù)留口、出入地、調(diào)壓箱、調(diào)壓柜9類。天然氣專業(yè)管點(diǎn)類型眾多，主要分為設(shè)備、設(shè)施、配件3大類，設(shè)備分為閥門、凝水缸、調(diào)壓柜等8類，設(shè)施分為閥門井、調(diào)壓站、加氣站等10類，配件分為三通、陰極保護(hù)、信息球等16類。在此基礎(chǔ)上，本文基于Rodriguez提出的MD3模型［12］，顧及管線數(shù)據(jù)的特點(diǎn)，將語(yǔ)義距離融入概念名稱和概念屬性以計(jì)算管線語(yǔ)義相似性。

圖3 天然氣專業(yè)管點(diǎn)與綜合管點(diǎn)本體片段Fig．3 The ontology fragment of Integrated and professional pipepoints

式中，w＋v＝1；Ssynonyms（，）指概念名稱相似性；Sfeatures（）概念屬性的相似性，其計(jì)算依據(jù)是Tversky的特征匹配模型［17］

式中，depth（·）是計(jì)算概念深度的函數(shù)，其值表示概念所在節(jié)點(diǎn)到根節(jié)點(diǎn)的最短路徑長(zhǎng)度。

3．3 管線形狀相似性

管線形狀是多管點(diǎn)相連管段形成的路徑形態(tài)，兩管線的形狀相似性通過比較兩管線中折點(diǎn)集合形成的向量異同獲得。選取已知的人工匹配管點(diǎn)對(duì)作為參考點(diǎn)，求取當(dāng)前管點(diǎn)與參考點(diǎn)間的最短路徑，形成兩條參考路徑，作為管線形狀相似性計(jì)算的參考依據(jù)。

選取人工匹配管點(diǎn)對(duì)（Ar，Br），Ar為綜合管點(diǎn)，Br為經(jīng)人工判定與Ar匹配的專業(yè)管點(diǎn)，則候選匹配實(shí)體集中（A，B）到達(dá)對(duì)應(yīng)的人工匹配管點(diǎn)的最短路徑分別為lAAr和lBBr，以此為基礎(chǔ)計(jì)算兩管線的形狀相似性作為衡量管點(diǎn)A與B是否匹配的一個(gè)依據(jù)。

假設(shè)lAAr的折點(diǎn)序列集合為折點(diǎn)序列集合為，折點(diǎn)坐標(biāo)為，計(jì)算每個(gè)折點(diǎn)與起點(diǎn)之間的累積距離占總長(zhǎng)度的百分比，將折點(diǎn)序列集合轉(zhuǎn)化 為 百 分 比 序 列 集 合

4 管點(diǎn)匹配

4．1 基于SVM的管點(diǎn)分類

支持向量機(jī)的主要思想是使用映射函數(shù)Φ（）將n維l個(gè)樣本向量從原空間Rn映射到特征空間，使樣本數(shù)據(jù)可分?？紤]到訓(xùn)練集中部分誤差樣本數(shù)據(jù)現(xiàn)象，通過引入松弛變量表示對(duì)錯(cuò)誤分類的樣本約束條件放松，再引入懲罰因子C，來控制對(duì)錯(cuò)誤分類樣本的懲罰程度，C值與懲罰程度成正比關(guān)系，即C值越大懲罰越重。最終，在此高維度特征空間中構(gòu)造最優(yōu)線性決策函數(shù)F（X）

經(jīng)過管線相似性的計(jì)算，對(duì)于任意一對(duì)在初始匹配集S中的管點(diǎn)對(duì)（A，B），可形成基于空間相似性的管點(diǎn)對(duì)特征向量X（A，B）＝［Sims（A，B）Simp（A，B）Simf（A，B）］。在此基礎(chǔ)上，將基于特征向量的匹配問題轉(zhuǎn)化成基于特征向量的分類問題，即將目標(biāo)管點(diǎn)數(shù)據(jù)分為“匹配”（用1表示）和“不匹配”（用0表示）兩類。在確定管點(diǎn)初始匹配實(shí)體集S基礎(chǔ)之上，確定SVM支持向量機(jī)的核函數(shù)參數(shù)與懲罰因子C，增加匹配決策函數(shù)約束F（X（Ai，Bj））＝1，再次縮小匹配實(shí)體集，得到集合S′。

4．2 管點(diǎn)唯一匹配原則

經(jīng)SVM分類后獲得管點(diǎn)匹配實(shí)體集S′，但在S′中依舊存在一部分不匹配的管點(diǎn)對(duì)，究其原因是部分管點(diǎn)在距離閾值范圍內(nèi)有多個(gè)相似管點(diǎn)，因而產(chǎn)生一個(gè)管點(diǎn)對(duì)應(yīng)多個(gè)匹配管點(diǎn)的狀況。為解決這一現(xiàn)象，增加管點(diǎn)唯一匹配規(guī)則。

Constraint．Ⅰ：任意管點(diǎn)對(duì)（Ai，Bj）中的管點(diǎn)Ai和Bj，在最終的管點(diǎn)匹配實(shí)體集合Sr中只能存在一個(gè)。且這一個(gè)管點(diǎn)對(duì)（Ai，Bj），在待匹配實(shí)體集合S′所包含含有Ai或Bj的管點(diǎn)對(duì)中總相似度最大。

總相似度Sim（Ai，Bj）＝WsSims＋WpSimp＋WfSimf，其中，Ws、Wp、Wf是衡量實(shí)體相似性的權(quán)值，Ws、Wp、Wf相似度權(quán)值的確定依據(jù)式（11）最優(yōu)線性決策函數(shù)權(quán)重向量W＝［WsWpWf］的求解方法。為了在表達(dá)上的簡(jiǎn)單明確，將權(quán)重縮放到［0，1］之間，使其滿足Ws＋Wp＋Wf＝1。

最終，添加匹配規(guī)則Constraint．Ⅰ，進(jìn)一步縮小管點(diǎn)匹配實(shí)體集合S′，得到最終管點(diǎn)匹配實(shí)體集合Sr。

5 實(shí)例分析

本文采用C＃語(yǔ)言、ArcGIS Engine10．0控件以及Matlab等工具實(shí)現(xiàn)該算法，選取某市小區(qū)部分天然氣地下管線數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理得到該區(qū)域管線訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)包含天然氣專業(yè)地下管線三通、變徑、調(diào)壓器等16種點(diǎn)狀設(shè)備設(shè)施752個(gè)，管段數(shù)為987個(gè)；天然氣綜合地下管線管點(diǎn)數(shù)402個(gè)，管段數(shù)393個(gè)。測(cè)試數(shù)據(jù)中天然氣專業(yè)地下管線，含有三通、變徑、放散管、水井等16種點(diǎn)狀設(shè)備設(shè)施共828個(gè)，對(duì)應(yīng)的管段數(shù)1012個(gè)；天然氣綜合地下管線，共有408個(gè)管點(diǎn)，管段475個(gè)。采用人工匹配方法，得到訓(xùn)練樣本數(shù)據(jù)中匹配管點(diǎn)247個(gè)，測(cè)試數(shù)據(jù)中匹配管點(diǎn)153個(gè)。

經(jīng)統(tǒng)計(jì)，訓(xùn)練樣本數(shù)據(jù)中247個(gè)匹配管點(diǎn)最大間距為12．3 m，在試驗(yàn)中適當(dāng)放寬距離閾值保證匹配管點(diǎn)在距離范圍內(nèi)的同時(shí)，盡量減少綜合管點(diǎn)與專業(yè)管點(diǎn)笛卡兒積運(yùn)算產(chǎn)生的管點(diǎn)對(duì)集合，本文選取管點(diǎn)距離閾值米δd＝13 m。經(jīng)距離閾值篩選，在管線訓(xùn)練數(shù)據(jù)中選出583個(gè)管點(diǎn)，在管線測(cè)試數(shù)據(jù)中選出838個(gè)管點(diǎn)。以線性函數(shù)作為SVM支持向量機(jī)核函數(shù)，計(jì)算不同懲罰因子C下SVM分類結(jié)果的Kappa系數(shù)［20］。以Kappa系數(shù)衡量分類結(jié)果和人工匹配結(jié)果的相似性，Kappa系數(shù)越大，其分類效果越好。圖4為測(cè)試樣本數(shù)據(jù)分類結(jié)果的Kappa系數(shù)隨懲罰因子變化圖。懲罰因子C以0．01為步長(zhǎng)，在［0．01，10］區(qū)間上計(jì)算測(cè)試樣本數(shù)據(jù)Kappa系數(shù)，當(dāng)Kappa系數(shù)分布在［0．95，4．8］區(qū)間時(shí)，其 Kappa系數(shù)達(dá)到最大，且分布趨勢(shì)平穩(wěn)，值為0．812 9。根據(jù)文獻(xiàn)［20］所述Kappa系數(shù)分布在0．81～0．99之間表示分類效果與人工匹配結(jié)果十分相近，SVM分類器分類效果最好。

圖4 測(cè)試數(shù)據(jù)SVM分類結(jié)果Kappa系數(shù)隨懲罰因子變化圖Fig．4 Kappa coefficient of test－data’s SVM classificationvarying with penalty factor

因而，選取C＝1，對(duì)閾值篩選出的訓(xùn)練數(shù)據(jù)的匹配管點(diǎn)實(shí)體集合元素縮減為190個(gè)。最后按4．1節(jié)中管點(diǎn)唯一匹配規(guī)則Constraint．Ⅰ，依據(jù)權(quán)重Ws＝0．669 4、Wp＝0．141 2、Wf＝0．189 4計(jì)算出總相似度，再進(jìn)行集合縮減，最終匹配管點(diǎn)個(gè)數(shù)為152個(gè)。

如表1所示，隨著約束條件的不斷增加，匹配管點(diǎn)實(shí)體集合中的管點(diǎn)對(duì)個(gè)數(shù)Ns與其中正確匹配管點(diǎn)數(shù)Nc逐漸縮減，從最終匹配的管點(diǎn)對(duì)結(jié)果來看，最終獲得實(shí)體集合中匹配管點(diǎn)對(duì)個(gè)數(shù)Ns為152個(gè)，與人工匹配管點(diǎn)個(gè)數(shù)Nh＝153相比有140個(gè)相同，即正確匹配管點(diǎn)數(shù)Nc＝140。所以在最終獲得的匹配管點(diǎn)集合Sr中存在12對(duì)錯(cuò)誤匹配的管點(diǎn)對(duì)，而人工匹配集合中13個(gè)管點(diǎn)對(duì)不在集合Sr中，即存在未匹配的管點(diǎn)對(duì)13個(gè)。

經(jīng)過對(duì)匹配結(jié)果中錯(cuò)誤匹配和未匹配管點(diǎn)對(duì)的查找與分析，得到了產(chǎn)生這兩個(gè)現(xiàn)象原因。表2顯示造成管點(diǎn)數(shù)據(jù)匹配錯(cuò)誤的原因主要是管點(diǎn)與管段分布密集，管點(diǎn)對(duì)的管線空間相似性在該區(qū)域范圍內(nèi)最大。在表3中管點(diǎn)未匹配主要有3個(gè)原因：①匹配管點(diǎn)間距離過大，大于閾值距離無法匹配；②管點(diǎn)空間結(jié)構(gòu)上的巨大差異，導(dǎo)致空間相似性向量在SVM支持向量機(jī)分類過程中被錯(cuò)誤分類；③如表2所述，由于管點(diǎn)與管段的密集分布，導(dǎo)致關(guān)聯(lián)管段數(shù)為2的管點(diǎn)在管線相似性向量上存在多個(gè)極其相似的管點(diǎn)對(duì)，匹配的管點(diǎn)在管點(diǎn)唯一匹配的原則Constraint．Ⅰ約束下被當(dāng)作錯(cuò)誤匹配管點(diǎn)對(duì)剔除，如表2中的編號(hào)1與表3中的編號(hào)4管點(diǎn)對(duì)。追究這一問題的根本原因，這是管線數(shù)據(jù)自身特性所導(dǎo)致的，即綜合管線與專業(yè)管線在空間形態(tài)上既存在非同一區(qū)域但分布相似的情況（管線密集分布），又存在同一區(qū)域分布差異巨大的情況（探測(cè)范圍不同）。

如圖5所示，為測(cè)試數(shù)據(jù)中部分管線數(shù)據(jù)的管點(diǎn)匹配結(jié)果圖，其中紅色實(shí)線代表天然氣綜合地下管線，黑色虛線代表天然氣專業(yè)地下管線，對(duì)于匹配的管點(diǎn)對(duì)，使用藍(lán)色實(shí)線連接。在該區(qū)域內(nèi)共有46個(gè)匹配管點(diǎn)，從圖示的匹配效果上來看，該算法在這一區(qū)域內(nèi)可以將天然氣綜合地下管線與天然氣專業(yè)地下管線中的大部分管點(diǎn)數(shù)據(jù)相匹配。從總體匹配角度來看，最終管點(diǎn)對(duì)匹配數(shù)為152個(gè)，其中正確匹配的管點(diǎn)對(duì)個(gè)數(shù)為140個(gè)，匹配正確率高達(dá)92．105%；與人工匹配的管點(diǎn)數(shù)153相比，正確率達(dá)到91．503%；本文算法在管點(diǎn)匹配的數(shù)量及正確率上都很高，與人工匹配結(jié)果近似。從試驗(yàn)結(jié)果上來看，本文提出的基于空間相似性的地下管線匹配算法能夠有效解決 管線數(shù)據(jù)中的管點(diǎn)匹配問題。

表1 測(cè)試數(shù)據(jù)匹配管點(diǎn)實(shí)體個(gè)數(shù)隨約束變化表Tab．1 Numbers of matching pipe points of the test data changing by the constraints

表2 錯(cuò)誤匹配管點(diǎn)Tab．2 Fallacious matching pipepoints

表3 未匹配管點(diǎn)Tab．3 No matching pipepoints

圖5 測(cè)試數(shù)據(jù)部分管點(diǎn)匹配結(jié)果Fig．5 A figure of part of matching pipe points in test data

6 結(jié)束語(yǔ)

當(dāng)前地下管線數(shù)據(jù)間的多重異構(gòu)是制約管線數(shù)據(jù)集成、共享的重要因素，采用本文提出的顧及多空間相似性的地下管線數(shù)據(jù)匹配方法能夠有效解決管線數(shù)據(jù)中管點(diǎn)數(shù)據(jù)的匹配問題。

本文選取天然氣管線為研究對(duì)象，但地下管線數(shù)據(jù)種類多、管點(diǎn)分類與管線屬性也不盡相同，因此，管線語(yǔ)義相似性的計(jì)算方法及算法可能會(huì)有不同，解決方法則需要進(jìn)一步研究并建立多種類型一體的地下管線空間本體。從匹配結(jié)果上看，管點(diǎn)匹配集在最后的匹配結(jié)果中存在部分錯(cuò)誤匹配或未匹配的情況，單從管點(diǎn)出發(fā)已經(jīng)難以解決，在后續(xù)的管線匹配算法中，可以考慮從管線及管點(diǎn)鄰接管線角度進(jìn)行匹配優(yōu)化，以提高管線匹配的正確率。此外，以本文算法為基礎(chǔ)開發(fā)管線數(shù)據(jù)匹配軟件，通過規(guī)?；瘧?yīng)用，可進(jìn)一步完善相應(yīng)的算法成果。

［1］ ZHANG Shuliang，CHU Zhengwei，HE Yuan，et al．The Analysis of the Differences of Spatial Data on Urban Integrated and Professional Underground Pipeline［J］．Bulletin of Surveying and Mapping，2013（12）：58－62．（張書亮，儲(chǔ)征偉，何源，等．城市綜合與專業(yè)地下管線空間數(shù)據(jù)的差異性分析［J］．測(cè)繪通報(bào)，2013（12）：58－62．）

［2］ HAO Yanling，TANG Wenjing，ZHAO Yuxin，et al．Areal Feature Matching Algorithm Based on Spatial Similarity［J］．Acta Geodaetica et Cartographica Sinica，2008，37（4）：501－506．（郝燕玲，唐文靜，趙玉新，等．基于空間相似性的面實(shí)體匹配算法研究［J］．測(cè)繪學(xué)報(bào)，2008，37（4）：501－506．）

［3］ COBB M A，CHUNG M J，F(xiàn)OLEY III H，et al．A Rule Based Approach for the Conflation of Attributed Vector Data［J］．GeoInformatica，1998，2（1）：7－35．

［4］ HU Yungang，CHEN Jun，ZHAO Renliang，et al．Matching of Roads under Different Scales for Updating Map Data［J］．Geomatics and Information Science of Wuhan University，2010，35（4）：451－456．（胡云崗，陳軍，趙仁亮，等．地圖數(shù)據(jù)縮編更新中道路數(shù)據(jù)匹配方法［J］．武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2010，35（4）：451－456．）

［5］ WALTER V，F(xiàn)RITSCH D．Matching Spatial Data Sets：A Statistical Approach［J］．International Journal of Geographical Information Science，1999，13（5）：445－473．

［6］ MUSTIèRE S，DEVOGELE T．Matching Networks with Different Levels of Detail［J］．GeoInformatica，2008，12（4）：435－453．

［7］ CHEN Yumin，GONG Jianya，SHI Wenzhong．A Distancebased Matching Algorithm for Multi－scale Road Networks［J］．Acta Geodaetica et Cartographica Sinica，2007，36（1）：84－90．（陳玉敏，龔健雅，史文中．多尺度道路網(wǎng)的距離匹配算法研究［J］．測(cè)繪學(xué)報(bào)，2007，36（1）：84－90．）

［8］ LUO Lei，YIN Jianping，ZHANG Guomin，et al．Point Matching for Shapes Based on Weighted Neighborhood Relationships［J］．Computer Engineering ＆ Science，2008，30（11）：34－37．（羅磊，殷建平，張國(guó)敏，等．基于加權(quán)相鄰關(guān)系的形狀輪廓點(diǎn)匹配［J］．計(jì)算機(jī)工程與科學(xué)，2008，30（11）：34－37．）

［9］ RODRíGUEZ M A，EGEN HOFER M J．Determining Semantic Similarity among Entity Classes from Different Ontologies［J］．IEEE Transactions on Knowledge and Data Engineering，2003，15（2）：442－456．

［10］ LUAN Xuechen，YANG Bisheng，LI Qiuping．Pattern－based Node Matching Approach for Road Networks［J］．Acta Geodaetica et Cartographica Sinica，2013，42（4）：608－614．（欒學(xué)晨，楊必勝，李秋萍．基于結(jié)構(gòu)模式的道路網(wǎng)節(jié)點(diǎn)匹配方法［J］．測(cè)繪學(xué)報(bào)，2013，42（4）：608－614．）

［11］ ZHAO Dongbao，SHENG Yehua．Research on Automatic Matching of Vector Road Networks Based on Global Optimization［J］．Acta Geodaetica et Cartographica Sinica，2010，39（4）：416－421．（趙東保，盛業(yè)華．全局尋優(yōu)的矢量道路網(wǎng)自動(dòng)匹配方法研究［J］．測(cè)繪學(xué)報(bào)，2010，39（4）：416－421．）

［12］ ZHANG Yunfei，YANG Bisheng，LUAN Xuechen．Automated Matching Urban Road Networks Using Probabilistic Relaxation［J］．Acta Geodaetica et Cartographica Sinica，2012，41（6）：933－939．（張?jiān)品?，楊必勝，欒學(xué)晨．利用概率松弛法的城市路網(wǎng)自動(dòng)匹配［J］．測(cè)繪學(xué)報(bào)，2012，41（6）：933－939．）

［13］ GONG Xianyong，WU Fang，JI Cunwei，et al．Ant Colony Optimization Approach to Road Network Matching［J］．Geomatics and Information Science of Wuhan University，2014，39（2）：191－195．（鞏現(xiàn)勇，武芳，姬存?zhèn)?，等．道路網(wǎng)匹配的蟻群算法求解模型［J］．武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2014，39（2）：191－195．）

［14］ YANG Jieming，TANG Dingfu，ZHANG Minglan，et al．GB／T 28590 2012，Classification and Code for Urban Underground Facilities［S］．Beijing：China Standard Publishing House，2012．（楊潔明，唐定富，張明蘭，等．GB／T 28590－2012，城市地下空間設(shè)施分類與代碼［S］．北京：中國(guó)標(biāo)準(zhǔn)出版社，2012．）

［15］ HONG Libo，ZHOU Fenglin，QU Fubang，et al．CJJ61－2003，Technical Specification for Detecting and Surveying Underground Pipelines and Cables in City［S］．Beijing：China Building Industry Press，2004．（洪立波，周鳳林，曲福邦，等．CJJ 61－2003，城市地下管線探測(cè)技術(shù)規(guī)程［S］．北京：中國(guó)建筑工業(yè)出版社，2004．）

［16］ NJCH002，Technical Specification for Detecting and Surveying Pipelines and Cables in Nanjing［S］．Nanjing：Nanjing Urban Planning Bureau，2004．（NJCH002，南京市管線探測(cè)技術(shù)規(guī)程［S］．南京：南京市規(guī)劃局，2014．）

［17］ TVERSKY A．Features of Similarity［J］．Psychological Review，1977，84（4）：327－352．

［18］ YAN Weiwu，SHAO Huihe．Application of Support Vector Machines and Least Squares Support Vector Machines to Heart Disease Diagnoses［J］．Control and Decision，2003，18（3）：358－360．（閻威武，邵惠鶴．支持向量機(jī)和最小二乘支持向量機(jī)的比較及應(yīng)用研究［J］．控制與決策，2003，18（3）：358－360．）

［19］ DINGShifei，QI Bingjuan，TAN Hongyan．An Overview on Theory and Algorithm of Support Vector Machines［J］．Journal of University of Electronic Science and Technology of China，2011，40（1）：2－10．（丁世飛，齊丙娟，譚紅艷．支持向量機(jī)理論與算法研究綜述［J］．電子科技大學(xué)學(xué)報(bào)，2011，40（1）：2－10．）

［20］ VIERA A J，GARRETT J M．Understanding Interobserver Agreement：The Kappa Statistic［J］．Family Medicine，2005，37（5）：360－363．