郭 漩，錢海忠，王 驍，劉俊楠，任 琰，趙鈺哲，陳國慶

1. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450000； 2. 信息工程大學(xué)數(shù)據(jù)目標與工程學(xué)院，河南 鄭州 450000

制圖綜合是解決多尺度表達的關(guān)鍵技術(shù)之一，且已經(jīng)從算法綜合、協(xié)同綜合、過程控制綜合發(fā)展到了知識推理綜合的新階段[1]。道路選取作為制圖綜合的重要內(nèi)容，一直受到廣泛關(guān)注[2]。然而，大數(shù)據(jù)時代多源數(shù)據(jù)存在語義差異，導(dǎo)致跨數(shù)據(jù)源的道路選取高度依賴專家知識[3]，因此建立多源數(shù)據(jù)選取規(guī)則并進行知識推理是促進計算機實現(xiàn)智能綜合的必然途徑。本文基于本體表示道路選取知識，通過相似性度量消除多源數(shù)據(jù)差異，利用語義網(wǎng)規(guī)則語言進行知識推理，實現(xiàn)跨數(shù)據(jù)源的道路智能選取。

道路選取指通過評價道路重要性，保留主要道路、刪除次要道路，達到選取目的[4]。早期基于傳統(tǒng)模型的評價方法主要包括基于語義等級[5]、網(wǎng)眼密度[6]、stroke[7]及圖論[8]等方法，其中基于stroke的選取方法效果較好[9-11]，可有效保持道路的幾何連續(xù)性。隨后部分學(xué)者借助智能模型，提出了基于遺傳算法[12]、決策樹[13]和神經(jīng)網(wǎng)絡(luò)[14]的選取方法，在一定程度上提高了道路選取的自動化水平，但制圖綜合問題并非都能模型化，建立其知識法則成為必然[1]。近年來，國內(nèi)學(xué)者將案例推理方法(case-based reasoning,CBR)應(yīng)用于道路選取[15]，以實現(xiàn)智能化制圖綜合。該方法可簡化知識獲取過程，降低知識表示難度，但傳統(tǒng)案例的適用性較差，難以實現(xiàn)面向其他數(shù)據(jù)源的知識推理。為實現(xiàn)知識表示與共享，部分學(xué)者利用本體表達領(lǐng)域知識[16]，并結(jié)合相似性度量方法解決多源數(shù)據(jù)的語義不一致問題[17-19]，同時文獻[20—21]利用本體描述專家案例，提高了系統(tǒng)的決策能力。雖然本體的知識表達能力較強，但知識推理能力不足，難以實現(xiàn)跨數(shù)據(jù)源道路選取的過程性知識推理，智能化程度有待提高。

針對以上問題，本文將1∶5萬基本比例尺地形圖道路數(shù)據(jù)作為基礎(chǔ)案例，將四維圖新導(dǎo)航電子地圖和開放街道地圖(OpenStreetMap,OSM)中的道路數(shù)據(jù)作為試驗數(shù)據(jù)，提出一種利用本體知識推理的道路選取方法，以解決跨數(shù)據(jù)源的智能綜合問題。首先，基于道路stroke分別構(gòu)建基礎(chǔ)案例與試驗數(shù)據(jù)的道路對偶圖，計算道路等級、長度、連通度、接近度、中介度等特征項，提取特征項概念和關(guān)系并構(gòu)建本體。然后，分別計算語義特征項和數(shù)值特征項的概念相似性，消除基礎(chǔ)案例與實驗數(shù)據(jù)的語義差異，為道路選取提供知識共享基礎(chǔ)。最后，利用本體和語義網(wǎng)規(guī)則語言定義本體通用規(guī)則、語義特征規(guī)則、數(shù)值特征規(guī)則等選取規(guī)則，面向多源數(shù)據(jù)進行知識推理，實現(xiàn)試驗數(shù)據(jù)到1∶5萬基本比例尺數(shù)據(jù)的自動綜合。

1 道路選取本體構(gòu)建

道路選取需要明確的制圖規(guī)則和專家知識，通過1∶5萬基本比例尺數(shù)據(jù)提取道路選取案例，可有效降低知識的形式化表達難度。但基礎(chǔ)案例與試驗數(shù)據(jù)間存在語義差異，還需借助本體模型定義數(shù)據(jù)概念結(jié)構(gòu)，提供領(lǐng)域知識共享基礎(chǔ)。

1.1 道路選取案例描述

道路選取案例主要由案例對象和特征項組成，以道路stroke作為案例對象，基于stroke構(gòu)建道路對偶圖，進而計算特征項。其中stroke指自然延伸未斷裂的道路[22]，通?；趲缀闻c專題規(guī)則進行構(gòu)建，前者指兩條路段轉(zhuǎn)折角小于閾值60°[23]，后者指兩條路段具有相同的等級和名稱。道路對偶圖通過將stroke表示為節(jié)點(V={v1,v2,…,vn})，將節(jié)點間關(guān)系表示為邊(E={vivj|vi,vj∈V})，進而深入分析路網(wǎng)結(jié)構(gòu)[24]，具體如圖1所示。

圖1 道路stroke對偶圖Fig.1 Road stroke dual graph

特征項方面，選擇等級(grade,G)作為語義特征項，選擇長度(length,L)、連通度(degree,D)、接近度(closeness,C)、中介度(betweenness,B)作為數(shù)值特征項，綜合評價stroke的重要性。其中等級反映道路的屬性信息，長度反映道路的幾何信息，連通度、接近度、中介度反映道路的拓撲信息，可以保證重要道路優(yōu)先選取等基本原則[2]。同時，通過對10篇以stroke為對象的道路選取文獻進行統(tǒng)計分析(圖2)[4,9-11,22-27]，表明本文的特征項選擇合理，各特征項的計算方法及具體含義見表1。

表1 特征項計算方法及含義Tab.1 Calculation and description of features

圖2 特征項出現(xiàn)頻數(shù)統(tǒng)計Fig.2 Frequency statistics of features

1.2 本體構(gòu)建方法

道路選取專家知識一般是開放性的，而基于數(shù)據(jù)庫的本體構(gòu)建方法可根據(jù)數(shù)據(jù)的語義信息確定領(lǐng)域范圍[28]，因此本文基于基礎(chǔ)案例和試驗數(shù)據(jù)構(gòu)建本體模型(圖3)。具體流程包括：①根據(jù)基礎(chǔ)案例與試驗數(shù)據(jù)確定本體范圍，結(jié)合專家知識提取領(lǐng)域概念；②提取領(lǐng)域概念的層次關(guān)系和屬性關(guān)系，構(gòu)建概念模型；③根據(jù)概念模型編輯本體，并添加實體進行形式化表達；④重復(fù)上述步驟完善本體，更新領(lǐng)域知識庫。由此通過數(shù)據(jù)庫內(nèi)容作為約束條件，能快速確定本體領(lǐng)域界限，還可整合空間數(shù)據(jù)、屬性數(shù)據(jù)及其映射關(guān)系，有效保證多源道路選取本體涵蓋制圖綜合知識的完整性。

圖3 基于基礎(chǔ)案例與試驗數(shù)據(jù)的本體構(gòu)建方法Fig.3 Ontology construction method based on cases and data

道路選取本體模型包括概念層和實體層，其中概念層涉及案例對象、特征項等概念，實體層表示概念的具體實例。本文以等級語義特征項和長度數(shù)值特征項為例，具體說明本體構(gòu)建過程，其他特征項與此類似。首先，根據(jù)基礎(chǔ)案例數(shù)據(jù)的語義特征項，構(gòu)建國道、縣道等概念。其次，分析基礎(chǔ)案例數(shù)據(jù)的長度數(shù)值分布情況，利用二分k-means算法[29]對數(shù)值進行聚類，提取均勻分布且可表示數(shù)值區(qū)間的實體，利用“hasMax”與“hasMin”數(shù)據(jù)屬性描述取值范圍，同時為統(tǒng)一表示方式，定義實體的區(qū)間為左開右閉，如實體“La-1”的取值區(qū)間(0.35,0.69]，實體“Lb-1”的取值區(qū)間(0.69,1.92]。然后增加“is-a”父子關(guān)系和“hasProperty”屬性關(guān)系，其中父子關(guān)系描述概念的上下位關(guān)系及實體與概念的所屬關(guān)系[30]，屬性關(guān)系描述案例、案例對象與特征項間關(guān)系。如圖4所示，案例對象stroke 1表示長度為0.69 km的國道，案例對象stroke 2表示長度為1.47 km的縣道。最后基于導(dǎo)航、OSM等多源試驗數(shù)據(jù)增加其他相關(guān)概念和實體，如概念行人道路和實體“Lb-1”，其中“Lb-1”的取值區(qū)間為(0.50,0.72]，可完善道路選取本體，為多源數(shù)據(jù)的相似性度量提供知識共享基礎(chǔ)。

圖4 道路選取本體示例Fig.4 Example of road selection ontology

2 概念相似性度量

相似性度量是描述概念相似程度的重要方法，可避免多源數(shù)據(jù)的語義差異，提高道路選取案例的適用性[31]，主要包括語義和數(shù)值相似性度量兩個方面。其中語義相似性通過概念間關(guān)系進行度量，數(shù)值相似性通過計算實體的相似性進而實現(xiàn)概念相似性度量。

2.1 語義相似性度量

道路選取要求優(yōu)先選擇重要道路，其中等級特征項最為關(guān)鍵[2]。本文以導(dǎo)航數(shù)據(jù)為例，基于基礎(chǔ)案例數(shù)據(jù)和導(dǎo)航試驗數(shù)據(jù)構(gòu)建的概念層次樹如圖5所示，利用余弦相似性模型計算多源數(shù)據(jù)等級特征項的語義相似性。

圖5 基礎(chǔ)案例與導(dǎo)航數(shù)據(jù)的道路等級概念層次樹Fig.5 Concept hierarchy tree of road grade for basic case and navigation data

余弦相似性模型可利用空間向量夾角的余弦值衡量概念差異，符合道路等級概念層次樹特征[32,33]，因此本文以概念層次樹的局部密度為基礎(chǔ)構(gòu)建概念向量，基于余弦相似性模型[18]計算等級的語義相似性。具體計算公式為

(1)

式中，概念Ca的概念向量為Ca=(va,1,va,2,…,va,b)，va,b表示概念Ca與Cb的相關(guān)性，計算公式為

(2)

式中，da指概念Ca父概念的所有子概念數(shù)量，即局部密度，關(guān)聯(lián)概念指與概念Ca直接或間接關(guān)聯(lián)的所有父概念和子概念。如圖5所示，父概念城市次要道路具有3個子概念：其他道路、九級輔路和行人道路，因此每個子概念的局部密度均為3。概念行人道路的關(guān)聯(lián)概念包括道路、城市道路、城市次要道路和行人道路，局部密度分別為1、2、2和3，因此概念向量C14=(1,2,0,0,2,0,0,0,0,0,0,0,0,3)?；A(chǔ)案例的道路等級包括國道、縣道、城市主要道路、城市次要道路，導(dǎo)航數(shù)據(jù)包括國道、縣道、市鎮(zhèn)村道、其他道路、九級輔路、行人道路，概念相似性度量結(jié)果見表2，由此可建立跨數(shù)據(jù)源的等級概念語義關(guān)聯(lián)。其中導(dǎo)航數(shù)據(jù)的國道、縣道分別與基礎(chǔ)案例的國道、縣道為相同概念，市鎮(zhèn)村道與城市主要道路屬于相似概念，其他道路、九級輔路、行人道路與城市次要道路為相似概念。

表2 基礎(chǔ)案例與導(dǎo)航數(shù)據(jù)道路等級語義特征項相似性度量結(jié)果Tab.2 Road grade semantic similarity measurement results for basic case and navigation data

2.2 數(shù)值相似性度量

除語義特征外，道路選取本體模型還涉及眾多數(shù)值特征項概念，根據(jù)數(shù)值類型可分為離散特征項和連續(xù)特征項，其中離散特征項指取值為整數(shù)的連通度，連續(xù)特征項指取值被聚類為若干連續(xù)區(qū)間的特征項，具體包括長度、接近度、中介度。離散特征項方面，由于連通度取值通常為整數(shù)，且整數(shù)間距離越大則表示的語義差異越大[17]，因此本文利用連通度值的相對距離評價其相似性，計算公式為

(3)

式中，Ca、Cb分別表示基礎(chǔ)案例與導(dǎo)航數(shù)據(jù)連通度值。

連續(xù)特征項方面，本體將道路長度、接近度、中介度聚類為區(qū)間實體，不同區(qū)間的重疊范圍越大則語義差異越小，同時區(qū)間值的重疊部分越大，則實體對應(yīng)概念表達的語義越接近[17]。因此本文參考Jaccard系數(shù)[34]，利用區(qū)間實體交集與并集的比值評價概念的相似性，計算公式為

(4)

式中，RCa、RCb分別表示基礎(chǔ)案例與試驗數(shù)據(jù)的連續(xù)特征項數(shù)值區(qū)間，RCa∩RCb表示Ca與Cb數(shù)值的交集，RCa∪RCb表示數(shù)值的并集。本文將計算結(jié)果最大的兩個實體的概念作為相似概念，如圖4所示試驗數(shù)據(jù)長度區(qū)間(0.50,0.72]與基礎(chǔ)案例長度區(qū)間(0.35,0.69]、(0.69,1.92]的相似性分別為0.514、0.021，與其他基礎(chǔ)案例長度區(qū)間的相似性為0，因此概念Lb-1與La-1為相似概念。通過語義和數(shù)值相似性度量，可建立試驗數(shù)據(jù)與基礎(chǔ)案例的概念關(guān)聯(lián)關(guān)系，為道路選取提供更加完善的知識基礎(chǔ)。

3 道路選取知識推理

本體為道路選取提供了領(lǐng)域知識共享基礎(chǔ)，但難以表示選取過程的動態(tài)知識[35]。而語義網(wǎng)規(guī)則語言(semantic web rule language，SWRL)可基于自定義的專家規(guī)則實現(xiàn)知識推理，進一步增強本體的邏輯性。

3.1 SWRL規(guī)則

SWRL由實現(xiàn)(Imp)、原子(Atom)、變量(Variable)和內(nèi)置組件(Built-In)組成(圖6)，可根據(jù)簡單概念定義復(fù)雜關(guān)系，擴展知識表達能力[34]。其中Imp是規(guī)則的基本單元，Atom是規(guī)則的最小元素單位，Variable記錄Atom使用的變量，Built-In封裝Atom的邏輯關(guān)系。本文根據(jù)式(5)[35]設(shè)計SWRL規(guī)則，具體解釋為：若前件(Body)的原子全為真，則后件(Head)的推理結(jié)果也為真。

圖6 SWRL組織結(jié)構(gòu)及其與本體間關(guān)系Fig.6 Structure and relationship of SWRL and ontology

Body(Atoma1∧Atoma2…)→Head(Atomb)

(5)

本體模型可為Atom提供概念、實體和關(guān)系[35](圖6)，本文定義的SWRL規(guī)則示例見表3。其中，Road(x)表示道路x為概念Road的實體，Grade(g)表示等級g為語義特征項概念Grade的實體，Length(l)表示長度l為數(shù)值特征項概念Length的實體，[“國道”](g)表示g為國道，isSelected(x,true)表示道路x被選取，hasLength(x,l)表示道路x長度為l，swrlb:lessThan(l,0.69)表示道路x的長度小于0.69 km。

表3 SWRL規(guī)則示例Tab.3 Examples of SWRL rules

3.2 SWRL規(guī)則推理

道路選取知識推理主要通過Java expert systems shell(Jess)推理引擎實現(xiàn)(圖7)，其中推理引擎將本體模型和SWRL規(guī)則分別轉(zhuǎn)換為事實庫和規(guī)則庫，利用推理機對基礎(chǔ)規(guī)則進行組合與篩選，更新領(lǐng)域知識。

圖7 基于規(guī)則的Jess引擎推理Fig.7 Jess engine reasoning based on rules

為實現(xiàn)道路選取知識推理，本文結(jié)合本體模型和道路數(shù)據(jù)特征項設(shè)計選取規(guī)則，包括本體通用規(guī)則、語義特征規(guī)則、數(shù)值特征規(guī)則，表4為部分SWRL規(guī)則描述示例。其中，Rule 1和Rule 2是適用于所有領(lǐng)域的通用規(guī)則，可根據(jù)本體概念與實體間父子關(guān)系的傳遞性進行推理，Rule 3—9為用戶自定義規(guī)則，可根據(jù)通用規(guī)則推理結(jié)果實現(xiàn)深層次推理。Rule1說明子概念的實體同樣為父概念的實體，Rule 2表示若兩個概念為相似概念，則其對應(yīng)的兩個實體為相似實體。語義特征規(guī)則Rule 3表示基礎(chǔ)案例選取規(guī)則，即選取道路stroke等級為國道的道路；Rule 4表示導(dǎo)航數(shù)據(jù)選取規(guī)則，即選取導(dǎo)航數(shù)據(jù)中與基礎(chǔ)案例城市主要道路為相似實體的市鎮(zhèn)村道；Rule 5表示OSM數(shù)據(jù)選取規(guī)則，即選取OSM數(shù)據(jù)中與基礎(chǔ)案例國道為相似實體的motorway。數(shù)值特征規(guī)則Rule 6表示基礎(chǔ)案例選取規(guī)則，即選取道路stroke長度區(qū)間范圍為(0.35,0.69]的道路；Rule 7表示導(dǎo)航數(shù)據(jù)選取規(guī)則，若基礎(chǔ)案例長度區(qū)間為(0.35,0.69]的道路stroke被選取，則導(dǎo)航數(shù)據(jù)相似長度區(qū)間為(0.50,0.72]的道路stroke被選?。籖ule 8表示基礎(chǔ)案例選取規(guī)則，即選取道路stroke連通度為6的道路；Rule 9表示OSM數(shù)據(jù)選取規(guī)則，若基礎(chǔ)案例連通度為6的道路stroke被選取，則OSM數(shù)據(jù)中的相似連通度道路stroke也應(yīng)被選取。由此通過語義特征和數(shù)值特征規(guī)則，可推理更多制圖綜合動態(tài)知識，實現(xiàn)多源數(shù)據(jù)道路的自動選取。

表4 SWRL規(guī)則描述示例Tab.4 Examples of SWRL rules

4 試驗與分析

4.1 試驗數(shù)據(jù)與流程

為驗證本文方法的有效性，選擇國家1∶5萬比例尺地形圖中某地區(qū)的道路數(shù)據(jù)作為基礎(chǔ)案例，相應(yīng)區(qū)域的四維圖新導(dǎo)航電子地圖和開放街道地圖中的道路數(shù)據(jù)作為試驗數(shù)據(jù)展開驗證，具體試驗流程如圖8所示。

圖8 試驗流程Fig.8 Experimental procedure

(1) 數(shù)據(jù)處理。對案例數(shù)據(jù)、導(dǎo)航數(shù)據(jù)、OSM數(shù)據(jù)進行斷鏈并構(gòu)建道路stroke，提取等級、長度特征項，根據(jù)道路對偶圖計算連通度、接近度、中介度特征項。

(2) 本體構(gòu)建。以處理后的多源數(shù)據(jù)為基礎(chǔ)，提取道路選取本體領(lǐng)域概念、實體及其關(guān)系，構(gòu)建本體模型。

(3) 相似性度量。利用相似性模型計算本體概念相似度，消除基礎(chǔ)案例與試驗數(shù)據(jù)的語義差異。具體包括：基于道路等級概念層次樹，計算語義特征項概念的相似性；利用相對距離及Jaccard系數(shù)，計算數(shù)值特征項概念的相似性。

(4) 知識推理。面向本體模型構(gòu)建SWRL規(guī)則，分別轉(zhuǎn)換為Jess事實庫與規(guī)則庫，并利用Jess推理引擎實現(xiàn)制圖綜合知識推理，指導(dǎo)計算機自動獲得實驗數(shù)據(jù)道路選取方案。

4.2 試驗結(jié)果分析

4.2.1 道路密集地區(qū)導(dǎo)航數(shù)據(jù)選取結(jié)果

為驗證本文方法的科學(xué)性，試驗選擇傳統(tǒng)的stroke選取方法與本文方法進行對比。其中1∶5萬比例尺基礎(chǔ)案例道路數(shù)據(jù)如圖9(a)所示，相應(yīng)地區(qū)導(dǎo)航數(shù)據(jù)及其選取結(jié)果分別如圖9(b)、9(c)所示，其中共選取195條導(dǎo)航數(shù)據(jù)道路stroke。在傳統(tǒng)的stroke選取方法中，本文利用文獻[20]熵權(quán)法計算stroke各特征項權(quán)重，并根據(jù)導(dǎo)航數(shù)據(jù)重要性評價排序，判斷路網(wǎng)選取情況。為保證選取比例一致，選擇重要性評價排序前195的導(dǎo)航數(shù)據(jù)stroke作為選取結(jié)果(圖9(d))。

圖9 導(dǎo)航數(shù)據(jù)及選取結(jié)果Fig.9 Navigation data and selection result

本文方法選取結(jié)果與1∶5萬比例尺基礎(chǔ)案例數(shù)據(jù)的同名實體匹配個數(shù)為135，而傳統(tǒng)stroke選取方法的同名實體匹配個數(shù)為119，說明本文方法選取結(jié)果與基礎(chǔ)案例更相似，更能反映專家知識。對不同方法選取結(jié)果進行分級顯示如圖10所示，各等級stroke選取情況見表5。通過對比發(fā)現(xiàn)：①本文方法選取的國道、縣道等高等級道路較多，而傳統(tǒng)方法選取的市鎮(zhèn)村道和九級輔路等中低等級stroke較多。②兩種方法保留的其他道路stroke個數(shù)相同，但本文方法選取的該等級道路大部分均能形成完整網(wǎng)眼，而傳統(tǒng)方法選取的多為懸掛道路(圖10(b)虛線標出)。③本文方法選取的完整網(wǎng)眼數(shù)為225，懸掛道路為5條，選取結(jié)果道路的總連通度為488；而傳統(tǒng)方法選取結(jié)果的完整網(wǎng)眼數(shù)為209，網(wǎng)眼內(nèi)懸掛路段較多(18條)，同時道路的總連通度僅為474。因此在將導(dǎo)航數(shù)據(jù)綜合為基本比例尺數(shù)據(jù)過程中，本文方法選取的完整網(wǎng)眼數(shù)更多，產(chǎn)生的懸掛道路更少，道路stroke連通性更好，更能保持道路的整體結(jié)構(gòu)和局部關(guān)鍵結(jié)構(gòu)。

表5 道路選取結(jié)果統(tǒng)計Tab.5 Statistics of road selection results

圖10 道路選取結(jié)果對比Fig.10 Comparison of road selection results

4.2.2 道路稀疏地區(qū)OSM數(shù)據(jù)選取結(jié)果

為進一步驗證多源道路選取方法的可靠性，選擇道路稀疏地區(qū)的OSM數(shù)據(jù)進行試驗。其中1∶5萬比例尺基礎(chǔ)案例道路數(shù)據(jù)如圖11(a)所示，相應(yīng)地區(qū)OSM數(shù)據(jù)、本文方法選取結(jié)果以及傳統(tǒng)方法選取結(jié)果分別如圖11(b)、圖11(c)、圖11(d)所示。為保證選取結(jié)果比例一致，兩種方法均選取98條OSM數(shù)據(jù)道路stroke，其中本文方法選取結(jié)果與1∶5萬比例尺基礎(chǔ)案例數(shù)據(jù)的同名實體匹配個數(shù)為76，而傳統(tǒng)stroke選取方法的同名實體匹配個數(shù)僅為64。同時本文方法選取的完整網(wǎng)眼數(shù)為61，懸掛道路為5條，選取結(jié)果道路的總連通度為111；而傳統(tǒng)方法選取結(jié)果的完整網(wǎng)眼數(shù)為56，懸掛道路為8條，同時道路的總連通度僅為97。因此本文方法可保持選取結(jié)果的路網(wǎng)平面圖形特征，能夠?qū)崿F(xiàn)密集型和稀疏型等區(qū)域的多源道路自動選取，具有較強的適用性。

圖11 OSM數(shù)據(jù)及選取結(jié)果Fig.11 OSM data and selection result

5 結(jié) 論

大數(shù)據(jù)時代積累的多源數(shù)據(jù)成為制圖綜合新的機遇與挑戰(zhàn)，本文提出了一種基于本體知識推理的多源道路智能選取方法。首先，將基本比例尺數(shù)據(jù)作為基礎(chǔ)案例，將導(dǎo)航數(shù)據(jù)和OSM數(shù)據(jù)作為試驗數(shù)據(jù)，提取特征項概念和關(guān)系，并構(gòu)建了道路選取本體模型；然后，分別針對語義和數(shù)值特征項，計算概念相似性，建立了基礎(chǔ)案例與試驗數(shù)據(jù)間的關(guān)聯(lián)關(guān)系；最后，利用SWRL規(guī)則表示并推理道路選取動態(tài)過程知識，實現(xiàn)了試驗數(shù)據(jù)向基本比例尺的自動選取。試驗表明，本文方法能夠消除基礎(chǔ)案例與試驗數(shù)據(jù)的語義差異，指導(dǎo)相似地區(qū)其他數(shù)據(jù)的自動選取，為面向多源數(shù)據(jù)的智能化制圖綜合提供了新思路。然而，道路選取還受居民地等其他因素約束，因此本體的構(gòu)建工作并未結(jié)束，還需利用數(shù)據(jù)驅(qū)動的本體評估方法，評價道路選取本體的合理性與科學(xué)性。同時本文僅實現(xiàn)了1∶5萬比例尺的道路選取，未來還需研究其他比例尺下的選取情況，進一步完善本體知識推理規(guī)則，提高本文方法的可行性。