唐爐亮，劉 章，楊 雪，闞子涵，李清泉，董 坤

1．武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430079；2．航天恒星科技有限公司（503所），北京100086

1 引 言

隨著城鄉(xiāng)交通的飛速發(fā)展，人們出行時(shí)對精細(xì)程度高、現(xiàn)勢性好的道路信息需求迫在眉睫［1］，同時(shí)，人們每天穿行于城市道路網(wǎng)中，會(huì)產(chǎn)生海量時(shí)空軌跡數(shù)據(jù)，是精細(xì)道路數(shù)據(jù)的產(chǎn)生者和感知者，如何從人們?nèi)粘３鲂械暮Ａ繒r(shí)空軌跡中挖掘和提取出人們出行需求的道路信息，成為全世界科學(xué)家們面臨的科學(xué)難題。

目前，從時(shí)空GPS軌跡數(shù)據(jù)中提取道路網(wǎng)信息的研究已經(jīng)開展了相關(guān)的探索性工作，主要分為3類方法：第1類研究主要采用柵格化方法將軌跡數(shù)據(jù)柵格化后提取道路的中心線，如文獻(xiàn)［2］將GPS軌跡數(shù)據(jù)生成柵格地圖并從中提取矢量路網(wǎng)地圖，文獻(xiàn)［3］將車輛行駛軌跡柵格化，再利用圖像細(xì)化算法提取出道路中心線，生成道路網(wǎng)絡(luò)，這類方法主要是將軌跡數(shù)據(jù)柵格化后提取道路網(wǎng)信息，但柵格化會(huì)丟失了原始軌跡的連通信息，對于路網(wǎng)拓?fù)涞奶崛〈嬖诶щy；第2類研究主要是采用增量化的方法，如文獻(xiàn)［4］提出了一種基于單個(gè)軌跡線與原有路網(wǎng)圖形增量的路網(wǎng)生成方法，文獻(xiàn)［5］通過判斷軌跡點(diǎn)與候選路網(wǎng)的空間和語義關(guān)系來實(shí)現(xiàn)路網(wǎng)增量化生成，這類方法需要舊的路網(wǎng)圖作為參考，精度也會(huì)受到參考路網(wǎng)的限制；第3類研究主要是采用軌跡聚類的方法，如文獻(xiàn)［6］利用軌跡聚類方法進(jìn)行車道位置的提取和道路交叉口結(jié)構(gòu)的生成，文獻(xiàn)［7］利用統(tǒng)計(jì)分析方法，從大量GPS軌跡中生成高精度路網(wǎng)地圖，文獻(xiàn)［8］通過路口轉(zhuǎn)向判斷模型來實(shí)現(xiàn)軌跡的分類，最終利用軌跡聚類來實(shí)現(xiàn)路網(wǎng)的提取，這類研究主要采用軌跡聚類的方法，將大量軌跡進(jìn)行一次性聚類融合，但基于軌跡提取路網(wǎng)從其實(shí)現(xiàn)過程來說，是將多次體驗(yàn)得到的軌跡進(jìn)行多次融合加工與不斷對路網(wǎng)精細(xì)化的過程，是人們對陌生環(huán)境不斷體驗(yàn)和認(rèn)知加工的過程，因此，這種一次將所有軌跡進(jìn)行聚類提取路網(wǎng)的研究不符合認(rèn)知規(guī)律和加工過程。

本文通過研究發(fā)現(xiàn)，從時(shí)空GPS軌跡數(shù)據(jù)生成城市道路信息的本質(zhì)，是人們對城市路網(wǎng)進(jìn)行多次體驗(yàn)，將得到的軌跡進(jìn)行多次融合加工，并對路網(wǎng)不斷精細(xì)化和修正的過程，是一個(gè)從少到多、從粗到細(xì)、從簡到繁、從局部到整體的過程，也是符合人們對陌生環(huán)境不斷體驗(yàn)和認(rèn)知加工的過程，符合人們的空間認(rèn)知規(guī)律。因此，從時(shí)空GPS軌跡數(shù)據(jù)中提取道路網(wǎng)信息應(yīng)該遵循空間認(rèn)知規(guī)律，實(shí)現(xiàn)對城市道路網(wǎng)絡(luò)信息不斷豐富和精細(xì)化。

2 空間認(rèn)知規(guī)律與基于時(shí)空軌跡融合生成路網(wǎng)的本質(zhì)

對空間的認(rèn)知包含空間特征感知、空間對象認(rèn)知和空間格局認(rèn)知［9－11］3個(gè)層次。第1個(gè)認(rèn)知層次是空間局部特征感知階段，當(dāng)人們對某陌生空間進(jìn)行初次體驗(yàn)和感知時(shí)，會(huì)應(yīng)用各種有關(guān)感知手段和方法來觀察空間實(shí)體的各個(gè)組成部分，以獲得有關(guān)空間實(shí)體各組成部分的特征；第2個(gè)認(rèn)知層次是對空間進(jìn)行了多次（一定數(shù)量）認(rèn)知體驗(yàn)后，會(huì)形成該空間內(nèi)實(shí)體的“部分—整體”（part－whole）關(guān)系，將空間實(shí)體各組成部分之間的特征進(jìn)行集成，來實(shí)現(xiàn)對于該空間實(shí)體的對象化認(rèn)識，屬于對象認(rèn)知階段［12－13］；第3個(gè)認(rèn)知層次是當(dāng)人們對該空間進(jìn)行更多次體驗(yàn)后，會(huì)以有關(guān)空間實(shí)體的“部分—整體”關(guān)系為指導(dǎo)，對空間實(shí)體進(jìn)行對象化符號表達(dá)，實(shí)現(xiàn)有關(guān)空間組織、結(jié)構(gòu)與關(guān)系的邏輯判斷、歸納演繹與推理分析，形成該空間的格局認(rèn)知，屬于空間格局認(rèn)知階段［14－16］?；诔鲎廛嚂r(shí)空GPS軌跡融合生成路網(wǎng)的本質(zhì)是通過出租車GPS對城市路網(wǎng)的多次體驗(yàn)，形成城市路網(wǎng)空間格局的認(rèn)知過程。

2．1 路網(wǎng)特征感知層次

司機(jī)對路網(wǎng)的初次體驗(yàn)是司機(jī)首次對路網(wǎng)探測行為，司機(jī)在道路選擇上會(huì)形成自己的認(rèn)知［17］，當(dāng)出租車GPS軌跡首次記錄到城市路網(wǎng)的體驗(yàn)時(shí)，會(huì)感知城市路網(wǎng)的道路形狀等特征，是對路網(wǎng)的一種局部的、抽象的特征感知，屬于空間認(rèn)知的第1個(gè)特征感知層次，初次體驗(yàn)的軌跡探測出來的是城市路網(wǎng)的骨干道路與路網(wǎng)基本輪廓。

2．2 路網(wǎng)對象認(rèn)知層次

當(dāng)出租車進(jìn)行多次體驗(yàn)時(shí)，局部的、低等級道路會(huì)被遍歷到，城市路網(wǎng)圖形細(xì)節(jié)層次進(jìn)一步豐富，形成對城市道路實(shí)體的對象認(rèn)知，這屬于空間認(rèn)知的第2個(gè)空間對象認(rèn)知層次。多次體驗(yàn)的軌跡線在路口處會(huì)產(chǎn)生各種不同的行駛選擇，軌跡線相互之間存在部分重疊，首先對新加入的軌跡線進(jìn)行軌跡分段，針對軌跡間重疊區(qū)域，利用下文所敘述的基于Delaunay三角網(wǎng)的軌跡線融合方法，依次將不同軌跡段中相似的軌跡線部分融合起來，以實(shí)現(xiàn)多次體驗(yàn)的路網(wǎng)圖的生成，形成包含豐富實(shí)體對象的城市道路網(wǎng)圖。

2．3 路網(wǎng)格局認(rèn)知層次

隨著體驗(yàn)次數(shù)的進(jìn)一步增加，路網(wǎng)圖形信息會(huì)變得越來越豐富與精細(xì)，通過對道路空間特征與道路實(shí)體對象進(jìn)行簡化、關(guān)聯(lián)及綜合加工，使得道路網(wǎng)圖形與真實(shí)路網(wǎng)越來越逼近，形成對路網(wǎng)的精細(xì)化表達(dá)，屬于路網(wǎng)格局認(rèn)知階段，最終實(shí)現(xiàn)道路網(wǎng)數(shù)據(jù)的生成。

3 基于認(rèn)知規(guī)律的時(shí)空GPS軌跡融合與路網(wǎng)生成方法

初次體驗(yàn)的軌跡線在圖上表現(xiàn)為道路網(wǎng)粗略的道路輪廓信息，隨著體驗(yàn)次數(shù)的增加，司機(jī)對于道路網(wǎng)的認(rèn)知會(huì)越來越豐富與完善，具體表現(xiàn)在新道路的識別和重復(fù)道路的細(xì)節(jié)層次進(jìn)一步精細(xì)加工。本文提出基于Delaunay三角網(wǎng)的時(shí)空軌跡線融合方法，不斷將新添加的軌跡線與之前融合生成的融合軌跡線進(jìn)行再次融合，得到更加豐富細(xì)致的道路圖。

3．1 路網(wǎng)特征感知層次

出租車在道路網(wǎng)上的行駛軌跡，是對路網(wǎng)的一次次體驗(yàn)，把它們抽象為路網(wǎng)的組成部分。路網(wǎng)特征感知階段就是從GPS軌跡點(diǎn)數(shù)據(jù)中還原出一條條出租車行駛軌跡，以獲得關(guān)于路網(wǎng)各組成部分的特征。

出租車軌跡點(diǎn)數(shù)據(jù)包含車輛的ID、采樣時(shí)間、行駛速度、地理坐標(biāo)等信息，因此直接根據(jù)一輛車的GPS軌跡點(diǎn)的時(shí)間序列將軌跡點(diǎn)數(shù)據(jù)連接起來就能得到一條出租車行駛軌跡。但是當(dāng)出租車行駛在城市道路上時(shí)，一方面由于城市道路兩旁的高樓、樹木等物體的遮擋，會(huì)造成GPS定位不準(zhǔn)的問題［18］；另一方面在城市隧道和高架橋等區(qū)域會(huì)存在GPS信號中斷的問題。

針對定位不準(zhǔn)所造成的軌跡點(diǎn)漂移的情況，需要跟蹤軌跡點(diǎn)前后點(diǎn)的速度與位置信息來預(yù)判該點(diǎn)可能出現(xiàn)的范圍，如果該點(diǎn)的實(shí)際位置超出了預(yù)判范圍，則視為偏移點(diǎn)，將偏移點(diǎn)按照軌跡還原的方法糾正到正確的位置上，以此排除定位不準(zhǔn)所帶來的不利影響。

針對信號中斷所造成的GPS軌跡點(diǎn)丟失的情況，需要對丟失段的GPS軌跡進(jìn)行軌跡還原。如果丟失軌跡段較短，并沒有跨越多條道路段，則通過丟失路段前后的軌跡點(diǎn)行駛速度和距離來內(nèi)插實(shí)現(xiàn)丟失軌跡段的還原；如果丟失軌跡段跨越了多條道路段，由于還原后的軌跡點(diǎn)往往誤差較大，則直接將該軌跡數(shù)據(jù)視為無效的軌跡數(shù)據(jù)進(jìn)行刪除，以此排除信號中斷所帶來的不利影響。

3．2 路網(wǎng)對象認(rèn)知層次

路網(wǎng)的對象認(rèn)知階段就是通過GPS軌跡線之間的不斷融合，將不同GPS軌跡線所包含的特征進(jìn)行集成，實(shí)現(xiàn)對路網(wǎng)的對象化認(rèn)知，以提取出更加豐富細(xì)致的路網(wǎng)。

3．2．1 軌跡分段

將初次體驗(yàn)得到的軌跡作為融合前軌跡，將新軌跡逐條與融合前軌跡進(jìn)行融合，如果新軌跡線與融合前軌跡沒有任何交集，則直接將新軌跡添加到融合前軌跡中，如果新軌跡與融合前軌跡有軌跡重合部分，則需要將軌跡重合部分進(jìn)行分段融合，因此軌跡分段是融合前必備的準(zhǔn)備工作（圖1），圖1（a）和（b）部分是兩種不同的分段情況，圖1（a）中新軌跡與融合前軌跡存在部分重合軌跡段，在軌跡分離的地方打斷（如圖1（a）軌跡分段所示），將重合軌跡部分標(biāo)記為待融合的相似軌跡（如圖1（a）融合后的軌跡所示）。圖1（b）中新軌跡與融合前軌跡相交，但沒有重合的軌跡段，在軌跡相交的部分將兩條軌跡打斷并記錄交點(diǎn)（如圖1（b）軌跡分段所示），將交點(diǎn)插入到兩條軌跡之中，生成融合后軌跡。

圖1 相似軌跡分段Fig．1 Similar trajectory subsection

3．2．2 基于兩條相似軌跡線約束的Delaunay

三角形構(gòu)網(wǎng)

Delaunay三角網(wǎng)在空間鄰近分析上是一種較好的支持模型，在多邊形群的合并、地圖綜合沖突關(guān)系探測與移位處理、地貌形態(tài)分析中，取得了令人滿意的結(jié)果［19－21］。本文針對相似軌跡段的融合，將兩條相似軌跡作為約束線，采用基于線約束的Delaunay三角形構(gòu)網(wǎng)，如圖2所示，具體的三角形構(gòu)網(wǎng)方法如下：

（1）在圖2中，粗線為融合前軌跡，細(xì)線為新軌跡。注意軌跡點(diǎn)上帶有權(quán)重值，定義新添加的軌跡線上軌跡點(diǎn)的權(quán)重值為1，初始軌跡線上融合軌跡點(diǎn)的權(quán)重值與生成該軌跡線的軌跡線數(shù)目n相等。

（2）判斷軌跡是否存在相交部分，若存在，在交點(diǎn)處打斷并記錄交點(diǎn)。

（3）依據(jù)Delaunay構(gòu)網(wǎng)的準(zhǔn)則：三角網(wǎng)中任何三角形的外接圓范圍內(nèi)不會(huì)有其他點(diǎn)存在并與其通視。

圖2 相似軌跡段基于線約束的Delaunay三角形構(gòu)網(wǎng)Fig．2 Constrained Delaunay TIN making in the similar trajectory segment

3．2．3 軌跡的融合

從上一步構(gòu)造的Delaunay三角網(wǎng)中提取融合后軌跡，需要分析Delaunay三角網(wǎng)絡(luò)中各個(gè)三角形相互之間邊與邊的鄰接關(guān)系，主要存在兩類鄰接狀態(tài)，如圖3所示，其融合后軌跡生成的方式分別為：

第Ⅰ類三角形，與其他三角形有兩條鄰接邊的三角形，融合后軌跡是兩條鄰接邊的權(quán)值比分割點(diǎn)的連線。

第Ⅱ類三角形，與其他三角形只有一條鄰接邊的三角形，融合后軌跡是鄰接邊權(quán)值比分割點(diǎn)與其相對的端點(diǎn)的連線。

在第Ⅰ類、第Ⅱ類三角形中，權(quán)值比分割點(diǎn)P是由A、B點(diǎn)計(jì)算得出

剔除掉包含輔助點(diǎn)的三角形中的融合線段，依次連接其余各個(gè)Delaunay三角形中所生成的融合線段，并記錄方向和經(jīng)驗(yàn)權(quán)值，即可得到基于Delaunay三角網(wǎng)的融合后軌跡，當(dāng)需要進(jìn)行進(jìn)一步進(jìn)行軌跡融合時(shí)，將生成的融合后軌跡線作為融合前軌跡線，與新添加的軌跡一起重新融合，構(gòu)建三角網(wǎng)生成融合軌跡，直到所有相似軌跡線參與融合為止。

綜上所述，基于Delaunay三角網(wǎng)的軌跡融合方法，重點(diǎn)在于針對具有相似軌跡的軌跡線簇，逐條加入進(jìn)行Delaunay三角形構(gòu)網(wǎng)，使得融合得到的軌跡線逐步完善，趨近于真實(shí)的道路線。

3．3 路網(wǎng)格局認(rèn)知層次

在路網(wǎng)特征感知和對象認(rèn)知的基礎(chǔ)上，通過對道路空間特征與道路實(shí)體對象進(jìn)行簡化、關(guān)聯(lián)及綜合加工，使得道路網(wǎng)的圖形更加逼真，形成對路網(wǎng)的精細(xì)化表達(dá)，最終實(shí)現(xiàn)道路網(wǎng)數(shù)據(jù)的生成，屬于路網(wǎng)格局認(rèn)知階段。

隨著更多的軌跡線參與融合，生成的融合后軌跡線會(huì)更趨近于真實(shí)的道路線，這符合空間認(rèn)知的規(guī)律——隨著體驗(yàn)次數(shù)的增加，司機(jī)對于道路網(wǎng)的認(rèn)知會(huì)更為豐富和完善。司機(jī)對路網(wǎng)的初次體驗(yàn)是司機(jī)首次對路網(wǎng)探測行為，從中可以獲取到一條理論可行的行駛軌跡線，當(dāng)對路網(wǎng)進(jìn)行多次體驗(yàn)時(shí)，在路口處會(huì)產(chǎn)生各種不同的行駛選擇，軌跡線相互之間存在部分重疊，首先對新加入的軌跡線進(jìn)行軌跡分段，針對軌跡間重疊區(qū)域，利用上文所敘述的基于Delaunay三角網(wǎng)的軌跡線融合方法，依次將不同軌跡段中相似的軌跡線部分融合起來，來實(shí)現(xiàn)多次體驗(yàn)的路網(wǎng)圖（road network）的生成，如圖3所示。

圖3 路網(wǎng)圖形數(shù)據(jù)的生成Fig．3 The road network graphical data generation

4 試驗(yàn)分析與同類方法比較

本試驗(yàn)在普通PC上進(jìn)行，配置為Intel Core i3，CPU 3．07 GHz，內(nèi)存8 GB，以 Microsoft Visual Studio 2010 C＃為工具開發(fā)了時(shí)空軌跡融合與路網(wǎng)生成模型與算法。試驗(yàn)數(shù)據(jù)來源于武漢市出租車3月8日至3月14日之間一周內(nèi)采集的出租車GPS軌跡數(shù)據(jù)，選取武漢體育中心周圍一定范圍作為試驗(yàn)區(qū)域（圖4）。首先對GPS軌跡點(diǎn)數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)過漂移和丟失情況的處理后，依據(jù)車輛ID和采樣時(shí)間將軌跡點(diǎn)依次連接，生成一條軌跡線；依據(jù)時(shí)間序列將軌跡線逐條加入基于Delaunay三角網(wǎng)的融合模型，依次進(jìn)行軌跡分段、Delaunay三角構(gòu)網(wǎng)和軌跡融合，生成路網(wǎng)圖。本文實(shí)現(xiàn)的軌跡線共有3765條，分別截取4條軌跡線（初次體驗(yàn)）、400條軌跡線（多次體驗(yàn)）以及3765條軌跡線（全部體驗(yàn)）的融合結(jié)果，得到不同階段的路網(wǎng)圖進(jìn)行分析。試驗(yàn)結(jié)果顯示初次體驗(yàn)的軌跡探測出來的是城市路網(wǎng)的骨干道路與路網(wǎng)基本輪廓（圖4（a））；隨著出租車司機(jī)對路網(wǎng)體驗(yàn)次數(shù)的增加，局部的、低等級道路會(huì)被遍歷，城市路網(wǎng)的圖形細(xì)節(jié)層次進(jìn)一步豐富，形成對城市道路實(shí)體的對象圖（圖4（b））；隨著體驗(yàn)次數(shù)的進(jìn)一步增加，路網(wǎng)圖形信息會(huì)變得豐富和精細(xì)，通過對道路空間特征與道路實(shí)體對象進(jìn)行簡化、關(guān)聯(lián)及綜合加工，形成對路網(wǎng)的精細(xì)化表達(dá)，最終實(shí)現(xiàn)道路網(wǎng)數(shù)據(jù)的生成（圖4（c））。

將試驗(yàn)結(jié)果圖與影像圖疊加在一起進(jìn)行定性評價(jià)，如圖4（d）所示，可以清晰看出，生成的道路圖基本完全覆蓋了試驗(yàn)區(qū)域的所有道路，且準(zhǔn)確性很高。

圖4 武漢體育中心試驗(yàn)結(jié)果與影像圖對比Fig．4 Wuhan Sports Center results in contrast with the image maps

為了定量檢測試驗(yàn)結(jié)果的位置精度，本文采用文獻(xiàn)［22］提出的緩沖區(qū)檢測方法來評價(jià)道路數(shù)據(jù)提取的有效性，該方法以標(biāo)準(zhǔn)矢量地圖為基準(zhǔn)，作緩沖區(qū)分析，計(jì)算試驗(yàn)結(jié)果與標(biāo)準(zhǔn)路網(wǎng)數(shù)據(jù)的距離，通過緩沖區(qū)的疊合對試驗(yàn)結(jié)果進(jìn)行質(zhì)量百分比統(tǒng)計(jì)。本文選擇了標(biāo)準(zhǔn)矢量地圖總長度221．53 km的武漢城市道路為試驗(yàn)路網(wǎng)，將本文提出方法試驗(yàn)結(jié)果與文獻(xiàn)［23］方法試驗(yàn)結(jié)果進(jìn)行對比，采用相同精度2 m、5 m和7 m為半徑建立緩沖區(qū)進(jìn)行分析，得到不同精度半徑緩沖區(qū)的道路長度統(tǒng)計(jì)百分比結(jié)果，如圖5所示。

圖5 精度評價(jià)Fig．5 Accuracy assessment

從圖5分析可知，當(dāng)精度分別以2 m、5 m和7 m為半徑建立緩沖區(qū)時(shí)，本文方法提取路網(wǎng)長度百分比分別達(dá)到64．3%、76．2%和81．6%，與文獻(xiàn)［23］的結(jié)果相比統(tǒng)計(jì)百分比有明顯的提高，尤其在2 m高精度為半徑緩沖區(qū)得到的路網(wǎng)占64．3%，較27．4%有大幅度提高，說明本文提出的方法所得到的試驗(yàn)結(jié)果更貼近于真實(shí)的道路網(wǎng)，進(jìn)一步驗(yàn)證了基于認(rèn)知的道路網(wǎng)提取方法能更準(zhǔn)確地從浮動(dòng)車時(shí)空軌跡數(shù)據(jù)中提取道路網(wǎng)。

5 結(jié) 論

本文方法對于城市主干支路道路網(wǎng)的形狀、輪廓信息能有效獲取，但是部分小區(qū)級支路復(fù)雜、形狀變化多樣，而出租車GPS采樣頻率為40 s左右，導(dǎo)致小區(qū)級道路形狀探測困難。在今后的研究中，將進(jìn)一步優(yōu)化模型，解決小區(qū)級支路探測難題。

致謝：感謝深圳市北斗衛(wèi)星應(yīng)用工程技術(shù)研究中心提供的幫助。

［1］ AGO Y．Availability and Pricing of Georeferenced Data in Asia Pacific［M］∥TAYLOR D R F．Policy Issues in Modern Cartography．London：Pergamon，1998：46－69．

［2］ KONG Qingjie，SHI Wenhuan，LIU Yuncai．A GPS－track－based Method for Automatically Generating Roadnetwork Vector Map［J］．Journal of University of Science and Technology of China，2012，42（8）：623－627．（孔慶杰，史文歡，劉允才．基于GPS軌跡的矢量路網(wǎng)地圖自動(dòng)生成方法［J］．中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2012，42（8）：623－627．）

［3］ JIANG Yijuan，LI Xiang，LI Xiaojie，et al．Geometrical Characteristics Extraction and Accuracy Analysis of Road Network Based on Vehicle Trajectory Data［J］．Journal of Geo－Information Science，2012，14（2）：165－170．（蔣益娟，李響，李小杰，等．利用車輛軌跡數(shù)據(jù)提取道路網(wǎng)絡(luò)的幾何特征與精度分析［J］．地球信息科學(xué)學(xué)報(bào)，2012，14（2）：165－170．）

［4］ BRUNTRUP R，EDELK A MP S，JABBAR S，et al．Incremental Map Generation with GPS Traces［C］∥Proceedings of the 2005 Intelligent Transportation Systems．Vienna：IEEE，2005：574－579．

［5］ LI Jun，QIN Qiming，XIE Chao，et al．Integrated Use of Spatial and Semantic Relationships for Extracting Road Networks from Floating Car Data［J］．International Journal of Applied Earth Observation and Geoinformation，2012，19：238－247．

［6］ SCHROEDL S，WAGSTAFF K，ROGERS S，et al．Mining GPS Traces for Map Refinement［J］．Data Mining and Knowledge Discovery，2004，9（1）：59－87．

［7］ GUO Tao，IWAM URA K，KOGA M．Towards High Accuracy Road Maps Generation from Massive GPS Traces Data［C］∥Proceedings of the 2007 IEEE International Geoscience and Remote Sensing Symposium．Barcelona：IEEE，2007：667－670．

［8］ KARAGIORGOU S，PFOSER D．On Vehicle Tracking Data－based Road Network Generation［C］∥Proceedings of the 20th International Conference on Advances in Geographic Information Systems．New York：ACM，2012：89－98．

［9］ HART R A，MOORE G T．The Development of Spatial Cognition： A Review ［M ］． Chicago： Aldine Transaction，1973．

［10］ DENIS M．The Description of Routes：A Cognitive Approach to the Production of Spatial Discourse［J］．Cahiers de Psychologie Cognitive，1997，16（4）：409－458．

［11］ WANG Xiaoming，LIU Yu，ZHANG Jing．Geo－spatial Cognition：An Overview［J］．Geography and Geo－Information Science，2005，21（6）：1－10．（王曉明，劉瑜，張晶．地理空間認(rèn)知綜述［J］．地理與地理信息科學(xué)，2005，21（6）：1－10．）

［12］ BURGESS N．Spatial Cognition and the Brain［J］．Annals of the New York Academy of Sciences，2008，1124（1）：77－97．

［13］ ALIBALI M W．Gesture in Spatial Cognition：Expressing，Communicating，and Thinking about Spatial Information［J］．Spatial Cognition and Computation，2005，5（4）：307－331．

［14］ DENIS M，PAZZAGLIA F，CORNOLDI C，et al．Spatial Discourse and Navigation：An Analysis of Route Directions in the City of Venice［J］．Applied Cognitive Psychology，1999，13（2）：145－174．

［15］ M A Ronghua，M A Xiaodong，PU Yingxia．Spatial Association Rule Mining from GIS Database［J］．Journal of Remote Sensing，2005，9（6）：733－741．（馬榮華，馬曉冬，蒲英霞．從GIS數(shù)據(jù)庫中挖掘空間關(guān)聯(lián)規(guī)則研究［J］．遙感學(xué)報(bào)，2005，9（6）：733－741．）

［16］ GOLLEDGE R G．Wayfinding Behavior：Cognitive Mapping and Other Spatial Processes［M］．Johns Hopkins：Johns Hopkins University Press，1999．

［17］ TANG Luliang，CHANG Xiaomeng，LI Qingquan．The Knowledge Modeling and Route Planning Based on Taxi’Experience［J］．Acta Geodaetica et Cartographica Sinica，2010，39（4）：404－409．（唐爐亮，常曉猛，李清泉．出租車經(jīng)驗(yàn)知識建模與路徑規(guī)劃算法［J］．測繪學(xué)報(bào)，2010，39（4）：404－409．）

［18］ SU Jie，ZHOU Dongfang，YUE Chunsheng．Real－time Map－matching Algorithm in GPS Navigation System for Vehicles［J］．Acta Geodaetica et Cartographica Sinica，2001，30（3）：252－256．（蘇潔，周東方，岳春生．GPS車輛導(dǎo)航中的實(shí)時(shí)地圖匹配算法［J］．測繪學(xué)報(bào)，2001，30（3）：252－256．）

［19］ AI Tinghua，GUO Renzhong．A Constrained Delaunay Partitioning of Areal Objects to Support Map Generalization［J］．Journal of Wuhan Technical University of Surveying and Mapping，2000，25（1）：35－41．（艾廷華，郭仁忠．支持地圖綜合的面狀目標(biāo)約束Delaunay三角網(wǎng)剖分［J］．武漢測繪科技大學(xué)學(xué)報(bào)，2000，25（1）：35－41．）

［20］ JONES C B，BUNDY G L，WARE M J．Map Generalization with a Triangulated Data Structure［J］．Cartography and Geographic Information Systems，1995，22（4）：317－331．

［21］ GROSS J L，TUCKER T W．Topological Graph Theory［M］．［S．l．］：Courier Corporation，1987．

［22］ GOODCHILD M F，HUNTER G J．A Simple Positional Accuracy Measure for Linear Features［J］．International Journal of Geographical Information Science，1997，11（3）：299－306．

［23］ ZHANG Lijuan，THIEMANN F，SESTER M．Integration of GPS Traces with Road Map［C］∥Proceedings of the 2nd International Workshop on Computational Transportation Science．New York：ACM，2010：17－22．