本申請涉及地理信息處理，尤其涉及一種可解釋的道路網(wǎng)選取方法、裝置、存儲介質及電子設備。

背景技術：

1、制圖綜合是指從大比例尺表達詳細的地圖數(shù)據(jù)派生出較小比例尺表達概略的地圖數(shù)據(jù)，從而構建不同比例尺的地圖產(chǎn)品，如不同比例尺的地形圖以及不同級別的網(wǎng)絡導航地圖。作為基礎性的地理要素，道路網(wǎng)是制圖綜合處理的主要對象之一。道路網(wǎng)數(shù)據(jù)的制圖綜合主要體現(xiàn)為道路目標的選取，即在原始道路數(shù)據(jù)中選取部分重要的道路目標，以滿足較小比例尺表達的清晰性要求。其中，道路目標選取的數(shù)量可采用開方根模型計算得到。然而，具體選取哪些道路目標，由每條道路的重要性決定，需要統(tǒng)籌考慮道路屬性等級、拓撲連通度、幾何長度等多方面的因素，是一個復雜的多特征分析與決策問題。

2、現(xiàn)有技術體系下，道路網(wǎng)的選取過程仍需要專業(yè)制圖人員深度參與，投入大周期長，嚴重制約地圖產(chǎn)品的迭代更新。近些年以來，研究人員引入機器學習模型發(fā)展智能化的道路網(wǎng)選取方法，以減輕甚至替代人工參與道路網(wǎng)制圖綜合任務。該類方法通常將道路目標的不同描述特征作為輸入，利用機器學習模型構建分類器，從而輸出選取決策結果。其中，分類器的決策知識主要通過對樣本案例數(shù)據(jù)的監(jiān)督學習獲得。實際應用中，這種基于機器學習的選取方法雖然能夠達到較高的準確率，但是采用的模型通常結構比較復雜，類似“黑盒子”，導致可解釋性不佳而難以了解模型內部的決策邏輯和規(guī)則，模型可解釋性不佳會進一步導致在模型使用過程中無法根據(jù)需求改進模型性能，以及導致模型的應用效果不佳和用戶信任度不高。

技術實現(xiàn)思路

1、本申請實施例提供一種可解釋的道路網(wǎng)選取方法、裝置、存儲介質及電子設備，能夠提升道路網(wǎng)選取的準確率，并且由于道路選取模型的可解釋性提升了用戶信任度。

2、本申請實施例提供了一種可解釋的道路網(wǎng)選取方法，包括：

3、獲取每條測試道路的描述特征，并基于所述描述特征構建特征向量；

4、確定教師模型，并通過可解釋工具對輸入所述教師模型的所述描述特征的特征重要性進行排序；

5、構建可加性神經(jīng)網(wǎng)絡；

6、基于所述教師模型的預測結果計算知識蒸餾損失函數(shù)；

7、將排序后的所述描述特征作為訓練集輸入到所述可加性神經(jīng)網(wǎng)絡中，通過所述知識蒸餾損失函數(shù)對所述可加性神經(jīng)網(wǎng)絡進行訓練，將訓練好的可加性神經(jīng)網(wǎng)絡作為可解釋道路網(wǎng)選取模型，通過所述可解釋道路網(wǎng)選取模型進行道路選取。

8、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述確定教師模型，包括：

9、將所述特征向量作為訓練集與測試集，通過所述訓練集訓練多個不同機器學習模型，并將所述測試集輸入到訓練好的所述多個不同機器學習模型中得到預測結果，選擇預測結果精確度最高的機器學習模型作為教師模型。

10、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述通過可解釋工具對輸入所述教師模型的所述描述特征的特征重要性進行排序，包括：

11、計算第 j個特征針對所有測試樣例的平均貢獻值：

12、

13、其中，表示測試道路的總數(shù)量，表示第 i個目標測試道路的第 j個特征的shap貢獻值；

14、按照所述shap貢獻值由大到小的順序對所述描述特征進行排序。

15、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述可加性神經(jīng)網(wǎng)絡包括輸入層、中間層與輸出層，所述可加性神經(jīng)網(wǎng)絡的輸出用于判斷所述測試道路是否被選取保留；

16、所述可加性神經(jīng)網(wǎng)絡的數(shù)學表達式為：

17、

18、其中，代表特征神經(jīng)網(wǎng)絡， n表示特征網(wǎng)絡的數(shù)量，其最大值為所述描述特征的總數(shù)量。

19、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述基于所述教師模型的預測結果計算知識蒸餾損失函數(shù)，包括：

20、通過所述教師模型對每條所述測試道路預測被選取保留的第一概率，并將所述第一概率標記為第一標簽；

21、基于所述第一標簽計算知識蒸餾需要的所述測試道路被選取保留的軟標簽；

22、基于所述軟標簽計算知識蒸餾損失函數(shù)。

23、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述方法還包括：

24、通過第一公式計算所述軟標簽，所述第一公式為：

25、

26、其中，為第一標簽，為蒸餾溫度。

27、通過第二公式計算所述知識蒸餾損失函數(shù)，所述第二公式為：

28、

29、其中，為可加性神經(jīng)網(wǎng)絡的預測結果，為測試道路的人工標簽，是軟標簽損失和真實標簽損失的權重參數(shù)，為均方誤差函數(shù)。

30、進一步地，上述可解釋的道路網(wǎng)選取方法，其中，所述描述特征包括道路描述特征與道路連通性特征，所述道路描述特征至少包括道路等級、車道數(shù)、路面材質、長度、寬度，以及弧段數(shù)量，所述道路連通性特征至少包括度中心性、聚類系數(shù)、介度中心性、緊密度中心性，以及特征向量中心性。

31、本申請實施例還提供了一種可解釋的道路網(wǎng)選取裝置，包括：

32、獲取模塊，用于獲取每條測試道路的描述特征，并基于所述描述特征構建特征向量；

33、確定與排序模塊，用于確定教師模型，并通過可解釋工具對輸入所述教師模型的所述描述特征的特征重要性進行排序；

34、構建模塊，用于網(wǎng)絡構建可加性神經(jīng)網(wǎng)絡；

35、計算模塊，用于基于所述教師模型的預測結果計算知識蒸餾損失函數(shù)；

36、道路選取模塊，用于將排序后的所述描述特征作為訓練集輸入到所述可加性神經(jīng)網(wǎng)絡中，通過所述知識蒸餾損失函數(shù)對所述可加性神經(jīng)網(wǎng)絡進行訓練，將訓練好的可加性神經(jīng)網(wǎng)絡作為可解釋道路網(wǎng)選取模型，通過所述可解釋道路網(wǎng)選取模型進行道路選取。

37、本申請實施例還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有多條指令，所述指令適于由處理器加載以執(zhí)行上述任一項可解釋的道路網(wǎng)選取方法。

38、本申請實施例還提供了一種電子設備，包括處理器和存儲器，所述處理器與所述存儲器電性連接，所述存儲器用于存儲指令和數(shù)據(jù)，所述處理器用于上述任一項所述的可解釋的道路網(wǎng)選取方法中的步驟。

39、本申請?zhí)峁┑目山忉尩牡缆肪W(wǎng)選取方法、裝置、存儲介質及電子設備，本申請通過構建教師模型，根據(jù)教師模型的預測結果，以及知識蒸餾損失函數(shù)對學生模型（可加性神經(jīng)網(wǎng)絡）進行訓練，得到了可解釋性的道路選取模型。一方面，可加性神經(jīng)網(wǎng)絡本身具備輸入特征與輸出結果之間的可解釋性，另一方面，采用知識蒸餾方法將具有高準確率的教師模型決策知識賦予可加性神經(jīng)網(wǎng)絡，從而使得道路選取模型兼顧高準確率和可解釋性。通過道路選取模型進行道路選取，能夠提升道路網(wǎng)選取的準確率，并且由于道路選取模型的可解釋性提升了用戶信任度。

技術特征：

1.一種可解釋的道路網(wǎng)選取方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述確定教師模型，包括：

3.根據(jù)權利要求1所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述通過可解釋工具對輸入所述教師模型的所述描述特征的特征重要性進行排序，包括：

4.根據(jù)權利要求1所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述可加性神經(jīng)網(wǎng)絡包括輸入層、中間層與輸出層，所述可加性神經(jīng)網(wǎng)絡的輸出用于判斷所述測試道路是否被選取保留；

5.根據(jù)權利要求1所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述基于所述教師模型的預測結果計算知識蒸餾損失函數(shù)，包括：

6.根據(jù)權利要求5所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述方法還包括：

7.根據(jù)權利要求1所述的可解釋的道路網(wǎng)選取方法，其特征在于，所述描述特征包括道路描述特征與道路連通性特征，所述道路描述特征至少包括道路等級、車道數(shù)、路面材質、長度、寬度，以及弧段數(shù)量，所述道路連通性特征至少包括度中心性、聚類系數(shù)、介度中心性、緊密度中心性，以及特征向量中心性。

8.一種可解釋的道路網(wǎng)選取裝置，其特征在于，包括：

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有多條指令，所述指令適于由處理器加載以執(zhí)行權利要求1至7任一項所述的可解釋的道路網(wǎng)選取方法。

10.一種電子設備，其特征在于，包括處理器和存儲器，所述處理器與所述存儲器電性連接，所述存儲器用于存儲指令和數(shù)據(jù)，所述處理器用于執(zhí)行權利要求1至7任一項所述的可解釋的道路網(wǎng)選取方法中的步驟。

技術總結
本申請公開了可解釋的道路網(wǎng)選取方法、裝置、存儲介質及電子設備。該方法包括：獲取每條測試道路的描述特征，并基于描述特征構建特征向量；確定教師模型，并通過可解釋工具對輸入教師模型的描述特征的特征重要性進行排序；構建可加性神經(jīng)網(wǎng)絡；基于教師模型的預測結果計算知識蒸餾損失函數(shù)；將排序后的描述特征作為訓練集輸入到可加性神經(jīng)網(wǎng)絡中，通過知識蒸餾損失函數(shù)對可加性神經(jīng)網(wǎng)絡進行訓練，將訓練好的可加性神經(jīng)網(wǎng)絡作為可解釋道路網(wǎng)選取模型，通過可解釋道路網(wǎng)選取模型進行道路選取。本申請可以兼顧道路選取模型的高準確率并使其具有可解釋性。

技術研發(fā)人員：楊敏,徐曉,張鵬鑫,陽太陽,余燁
受保護的技術使用者：武漢大學
技術研發(fā)日：
技術公布日：2025/1/6