Hex2vec——基于 OpenStreetMap 标签的 H3 六边形上下文感知嵌入
机器学习
2021-11-02 v1 人工智能
摘要
空间与地理数据的表示学习是一个快速发展的领域，它支持区域间的相似性检测以及利用深度神经网络进行高质量推断。然而，以往的方法集中于嵌入栅格影像（地图、街景或卫星照片）、移动数据或道路网络。在本文中，我们提出了第一种针对 OpenStreetMap 区域在城市微区域网格中基于城市功能与土地利用学习向量表示的方法。我们筛选出与土地利用、建筑与城市区域功能、水体、绿地或其他自然区域主要特征相关的一组 OSM 标签。通过对标注质量的手动核验，我们选取了 36 座城市用于训练区域表示。采用 Uber 的 H3 索引将城市划分为六边形，并为每个六边形聚合 OSM 标签。我们提出了基于负采样的 Skip-gram 模型的 hex2vec 方法。所得向量表示展现了地图特征的语义结构，类似于基于向量的语言模型中所发现的结构。我们还展示了在六座波兰城市中进行区域相似性检测的见解，并提出了通过凝聚式聚类获得的区域类型学。
引用
@article{arxiv.2111.00970,
title = {Hex2vec -- Context-Aware Embedding H3 Hexagons with OpenStreetMap Tags},
author = {Szymon Woźniak and Piotr Szymański},
journal= {arXiv preprint arXiv:2111.00970},
year = {2021}
}
备注
Accepted at 4th ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery (GEOAI '21)