基于地名地址的多源異構(gòu)數(shù)據(jù)融合方法研究

江西地名研究

關(guān)注我們，獲取更多地名資訊

摘要：為解決不同行業(yè)政務(wù)信息資源的融合，實(shí)現(xiàn)智慧城市各行業(yè)數(shù)據(jù)的共享，深入挖掘和發(fā)揮數(shù)據(jù)價(jià)值，提出一種基于地名地址匹配的數(shù)據(jù)融合方法，分別對含空間坐標(biāo)和僅包含位置描述的兩種不同類型政務(wù)數(shù)據(jù)進(jìn)行匹配，提出利用分區(qū)單元計(jì)算、構(gòu)建分級(jí)分詞地名地址數(shù)據(jù)庫和文本模糊匹配等關(guān)鍵技術(shù)，提高了地名地址匹配的效率和準(zhǔn)確度。并通過在智慧蓉城建設(shè)項(xiàng)目中實(shí)踐應(yīng)用，證實(shí)該方法能有效提升匹配效率和精度，實(shí)現(xiàn)多源、異構(gòu)、海量政務(wù)數(shù)據(jù)的高效融合。

關(guān)鍵詞：地名地址匹配；數(shù)據(jù)融合；政務(wù)信息集成；智慧城市；地理實(shí)體

0 引言

隨著大數(shù)據(jù)技術(shù)應(yīng)用及智慧城市建設(shè)，我國政務(wù)信息建設(shè)的重心正逐步由信息化建設(shè)轉(zhuǎn)向政務(wù)信息資源的共享應(yīng)用階段發(fā)展。新型智慧城市的基礎(chǔ)是各行業(yè)數(shù)據(jù)的匯聚與融合，形成基礎(chǔ)動(dòng)態(tài)權(quán)威的綜合信息，用于城市治理的決策依據(jù)。但由于各部門信息化進(jìn)程和業(yè)務(wù)需求不同，造成了不同區(qū)域、不同部門間的數(shù)據(jù)難以共享的“信息孤島”現(xiàn)象。2019年龔健雅院士在新型基礎(chǔ)測繪技術(shù)體系高級(jí)研修班上提出了地理實(shí)體作為連接自然地理信息與人文社會(huì)經(jīng)濟(jì)信息的橋梁和紐帶，可通過地理實(shí)體編碼實(shí)現(xiàn)基礎(chǔ)地理信息數(shù)據(jù)庫、人口庫、法人庫、不動(dòng)產(chǎn)庫的關(guān)聯(lián)。據(jù)統(tǒng)計(jì)約80%的政務(wù)信息均與空間位置有直接或間接的關(guān)系，地名地址作為關(guān)聯(lián)和載體可實(shí)現(xiàn)不同部門間的數(shù)據(jù)融合和共享。如何建立適用于大數(shù)據(jù)環(huán)境下的地名地址匹配方法，建立地理實(shí)體與政務(wù)專題數(shù)據(jù)的關(guān)聯(lián)，實(shí)現(xiàn)多源、異構(gòu)、海量數(shù)據(jù)的高效、快速融合，已成為政務(wù)信息資源共享應(yīng)用的關(guān)鍵。

本文依托智慧蓉城實(shí)景三維成都建設(shè)項(xiàng)目，通過對政務(wù)信息數(shù)據(jù)進(jìn)行深入分析，針對含空間坐標(biāo)的政務(wù)數(shù)據(jù)提出利用分區(qū)單元進(jìn)行語義和位置的地名地址匹配方法，針對僅含位置描述的數(shù)據(jù)提出通過利用地名地址詞典庫對中文地址進(jìn)行分級(jí)分詞處理，以提高地名地址匹配效率和準(zhǔn)確度，探索適合成都市地名地址特點(diǎn)的多源、異構(gòu)、海量政務(wù)信息融合方法。

1 數(shù)據(jù)源分析

1.1 政務(wù)信息分析

政務(wù)信息涉及國民經(jīng)濟(jì)、自然資源、不動(dòng)產(chǎn)、人口、法人等多個(gè)領(lǐng)域，具有數(shù)據(jù)量大、表現(xiàn)形式多樣、碎片化等特點(diǎn)，其共同點(diǎn)是一般都包含地名地址信息。政務(wù)信息在與地理實(shí)體進(jìn)行關(guān)聯(lián)時(shí)，必須首先找到與空間位置相關(guān)的信息，才能準(zhǔn)確地與對應(yīng)實(shí)體進(jìn)行關(guān)聯(lián)。一般分以下3種情況：

（1）最理想的情況是不同行業(yè)數(shù)據(jù)均帶有地理實(shí)體編碼信息。不同政府部門通過建立統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)，對同一實(shí)體的不同行業(yè)形態(tài)數(shù)據(jù)均采用了統(tǒng)一的實(shí)體編碼，可直接通過實(shí)體編碼進(jìn)行關(guān)聯(lián)和掛接。此種情況數(shù)據(jù)融合最為簡單直接，但對部門協(xié)同和共建共享要求較高，就目前國內(nèi)建設(shè)情況來說還較難實(shí)現(xiàn)。

（2）其次是某些行業(yè)數(shù)據(jù)帶有空間坐標(biāo)信息。如國土、規(guī)劃、房管、交通、民政等部門專題數(shù)據(jù)大多有空間坐標(biāo)信息，雖然數(shù)據(jù)標(biāo)準(zhǔn)、幾何精度、屬性采集和表達(dá)方式不同，但總體來說其空間位置較為接近。本文節(jié)3提出一種基于空間位置的地名地址匹配方法，同時(shí)考慮空間位置和語義特征雙重因子，通過與現(xiàn)有的地名地址數(shù)據(jù)庫進(jìn)行匹配度分析，找到匹配度最高的進(jìn)行關(guān)聯(lián)。經(jīng)過數(shù)據(jù)融合，一來提高了地名地址數(shù)據(jù)庫的完整性和權(quán)威性，另外也為政務(wù)信息共享、深入挖掘數(shù)據(jù)價(jià)值奠定了基礎(chǔ)。

（3）最常見的是大多行業(yè)數(shù)據(jù)僅有位置描述無空間坐標(biāo)信息。如公安、稅務(wù)、工商、城管等部門數(shù)據(jù)中，通常以文本形式描述行政區(qū)域、道路、門牌號(hào)等地名地址信息。由于中文地名地址的特殊性，中文地名地址的匹配一直以來也是地理信息領(lǐng)域研究的熱點(diǎn)和難點(diǎn)問題。本文節(jié)4提出一種基于位置描述的匹配方法，通過構(gòu)建成都市地名地址詞典庫，對不規(guī)范的文本描述的位置信息通過模糊匹配技術(shù)先進(jìn)行規(guī)范化、分級(jí)分詞處理，再與現(xiàn)有地名地址數(shù)據(jù)庫進(jìn)行分級(jí)匹配，將其空間化后再與地理實(shí)體進(jìn)行關(guān)聯(lián)。

1.2 地名地址分析

成都市地名地址數(shù)據(jù)庫較為規(guī)范、完整，包含成都市域范圍內(nèi)的地名和門址、樓址以及空間坐標(biāo)信息，且所有記錄均含行政區(qū)劃名稱、道路名、門牌號(hào)及樓棟號(hào)、院落名等標(biāo)準(zhǔn)分詞信息，可以此為基礎(chǔ)作為標(biāo)準(zhǔn)地址模型的空間定位依據(jù)，如表1所示。

2 基于空間位置的地名地址匹配方法

2.1 設(shè)計(jì)思路

對于有空間坐標(biāo)的數(shù)據(jù)融合相比僅有位置描述的相對簡單，一是要同時(shí)考慮語義和空間位置雙重因素的影響，二是與解決海量數(shù)據(jù)的匹配效率問題。設(shè)計(jì)思路：首先創(chuàng)建分區(qū)單元，將專題數(shù)據(jù)和地名地址數(shù)據(jù)分別與分區(qū)單元面進(jìn)行空間疊加分析，獲取分區(qū)單元信息；以分區(qū)為計(jì)算單位依次計(jì)算每條專題數(shù)據(jù)與位于同一分區(qū)內(nèi)所有地名地址的匹配度，比較得到匹配度最高的地名地址，并輸出結(jié)果。基于空間位置的地名地址匹配方法思路如圖1所示。

2.2 實(shí)現(xiàn)關(guān)鍵技術(shù)

（1）數(shù)據(jù)預(yù)處理

由于不同部門的專題數(shù)據(jù)中位置描述信息不規(guī)范、不統(tǒng)一，需對位置描述信息進(jìn)行規(guī)范化處理。比如對樓棟號(hào)的描述就有“1、壹、A、甲······”，分隔符也有“下劃線、分隔符、左右斜杠······”等多種表達(dá)，應(yīng)先對數(shù)據(jù)進(jìn)行規(guī)范化預(yù)處理以提高匹配度。

（2）分區(qū)單元確定

為提高海量數(shù)據(jù)的匹配效率和匹配精度，縮小比較范圍和計(jì)算量，需確定分區(qū)單元。分區(qū)單元粒度的劃分由數(shù)據(jù)源的幾何精度確定，如精度較高一般能落在同一院落內(nèi)部則優(yōu)先選用院落面進(jìn)行分區(qū)；否則可采用由道路或水系分割形成的街區(qū)面、社區(qū)或村行政區(qū)劃面等。

（3）模糊匹配計(jì)算

將數(shù)據(jù)覆蓋范圍劃分成不同的分區(qū)單元后，利用空間疊加分析將地名地址數(shù)據(jù)和專題數(shù)據(jù)分別獲取分區(qū)單元信息，將同一分區(qū)單元的數(shù)據(jù)進(jìn)行模糊匹配，計(jì)算其相似度。利用Python計(jì)算每條專題數(shù)據(jù)與同一分區(qū)單元內(nèi)所有地名地址數(shù)據(jù)的匹配相似度S1、S2、S3······Sn，得到匹配度最高Smax的地名地址及其兩者之間的連線，輸出匹配結(jié)果。其中：

S max =max{S 1 、S 2 、S 3 ······S n }

根據(jù)輸出的匹配結(jié)果，含匹配最大相似度、匹配名稱和距離等信息，結(jié)合人工進(jìn)一步分析對比。

2.3 應(yīng)用與分析

為驗(yàn)證該方法的有效性，在智慧蓉城地理實(shí)體生產(chǎn)與更新建設(shè)項(xiàng)目中，利用本方法對收集到的政務(wù)云平臺(tái)約51萬條地址數(shù)據(jù)與成都市現(xiàn)有約22萬條地址數(shù)據(jù)庫進(jìn)行匹配和融合。從數(shù)據(jù)來源上，政務(wù)云平臺(tái)數(shù)據(jù)大多來自部門專題數(shù)據(jù)以及互聯(lián)網(wǎng)數(shù)據(jù)，成都市現(xiàn)有地址數(shù)據(jù)庫來源于外業(yè)調(diào)繪；從覆蓋區(qū)域上，政務(wù)云平臺(tái)數(shù)據(jù)覆蓋全市域，成都市現(xiàn)有地址數(shù)據(jù)庫主要覆蓋城市建成區(qū)，但有重復(fù)覆蓋區(qū)域；從幾何精度和現(xiàn)勢性上，成都市現(xiàn)有地址數(shù)據(jù)庫均優(yōu)于政務(wù)云平臺(tái)數(shù)據(jù)。分區(qū)范圍優(yōu)先選用院落面，如無院落面則用街區(qū)面、社區(qū)或村面。

利用本方法計(jì)算匹配結(jié)果，語義完全一致而位置接近的（約2.3萬條，占4.5%）直接采用原地名地址數(shù)據(jù)庫數(shù)據(jù)，語義不一致但與周圍相比符合邏輯的（約26萬條，占51%）以及完全新增（約21.5萬條，占42.15%）的可用于補(bǔ)充完善地址數(shù)據(jù)庫，有矛盾的如同一位置但門牌號(hào)或樓棟號(hào)不一致等進(jìn)行標(biāo)注（約1.2萬條，占23.5%）待外業(yè)進(jìn)一步核實(shí)。利用本方法節(jié)省了約75%人工對比工作量，極大地提高了數(shù)據(jù)融合的效率和準(zhǔn)確度，提升了成都市地名地址數(shù)據(jù)庫的完整性、時(shí)效性和權(quán)威性。

3 基于位置描述的地名地址匹配算法

3.1 設(shè)計(jì)思路

對于僅有位置描述無空間坐標(biāo)的地名地址匹配，關(guān)鍵是對位置描述信息進(jìn)行中文地址分級(jí)分詞規(guī)范化處理，并基于規(guī)范化分詞結(jié)果與地名地址數(shù)據(jù)空間庫進(jìn)行逐級(jí)匹配，進(jìn)而得到匹配度最高的空間化結(jié)果。為提高不規(guī)范的位置描述信息的中文分詞精度和準(zhǔn)確度，引入完整性、規(guī)范性的地名地址詞典庫，可有效簡化分詞算法。再將分級(jí)分詞結(jié)果依次與現(xiàn)有的各級(jí)別地名地址數(shù)據(jù)庫依次進(jìn)行匹配，得到最終匹配結(jié)果，如圖2所示。

3.2 實(shí)現(xiàn)關(guān)鍵技術(shù)

（1）地名地址詞典庫構(gòu)建

為提高不規(guī)范、非結(jié)構(gòu)化中文地址信息分詞的正確性和效率，需構(gòu)建完整、豐富的地名地址詞典庫。將地名地址庫中包含的所有名稱信息單獨(dú)導(dǎo)出為地名地址詞典庫，如不同級(jí)別的行政區(qū)劃名稱(“四川省”“成都市”“＊＊街辦/鎮(zhèn)”“＊＊社區(qū)、村”)、管理單元名稱(“＊＊工業(yè)園區(qū)”“*科技園”等)、道路名、院落名等，并同時(shí)添加歷史地名、行政區(qū)劃改革前后的所有地名(如“郫都區(qū)”“郫縣”等)。地名地址詞典庫中存放了可能涉及的各類各級(jí)地名信息，是分詞算法匹配的主要對象，可為不規(guī)范的地名地址描述的中文分詞提供完整、規(guī)范的地名關(guān)鍵詞信息，可有效簡化分詞算法，提高地名地址分詞的識(shí)別率和準(zhǔn)確性。

（2）中文地址分級(jí)分詞

由于不同部門的專題數(shù)據(jù)中，位置描述信息不規(guī)范、不統(tǒng)一，需對位置描述信息進(jìn)行規(guī)范化中文分詞處理。根據(jù)我國地名地址描述規(guī)范，一般分為行政區(qū)劃名、街道名或小區(qū)名、門樓址或標(biāo)志物名三個(gè)層次，而在實(shí)際表述中包括街道名+門址+樓址、街道名+門址、小區(qū)名+樓址、街道名+小區(qū)名+樓址等多種形式。可利用前期構(gòu)建的地名地址詞典庫，依次對位置描述信息進(jìn)行模糊匹配，如位置描述信息中包含地名地址詞典庫中的分級(jí)名稱，如“四川省”“成都市”“錦江區(qū)”“柳江街道/街辦/街道辦事處”“墨香路”或“火炬動(dòng)力港”等詞匯，如匹配成功則自動(dòng)拆分成不同層級(jí)分詞模型。基于地名地址詞典庫的中文地址分級(jí)分詞方法思路如圖3所示。對位置描述進(jìn)行中文分級(jí)分詞結(jié)果示例如表2所示。

（3）不同分級(jí)的地名地址匹配

根據(jù)位置描述拆分的分級(jí)分詞模型，判斷該位置描述信息的可自動(dòng)匹配到哪個(gè)層級(jí)模型或哪種精度。匹配精度除了與位置描述信息的規(guī)范性、完整性有關(guān)外，也取決于地名地址數(shù)據(jù)庫的采集粒度、精度、完整性、現(xiàn)勢性等因素，如成都市地名地址數(shù)據(jù)庫最小粒度為樓址但有些城市的采集粒度可能細(xì)化到單元、房間號(hào)等，地名信息采集的完整性和現(xiàn)勢性也有所不同。在進(jìn)行地址匹配時(shí)，優(yōu)先對最小粒度的地址進(jìn)行匹配，如含樓址信息的應(yīng)優(yōu)先匹配到樓址，其次為門址、院落、道路、村組、社區(qū)等。

3.3 應(yīng)用與分析

在成都市違建普查和環(huán)衛(wèi)設(shè)施普查項(xiàng)目中，提供的違建項(xiàng)目地址描述大多是“小區(qū)+樓址”形式，環(huán)衛(wèi)設(shè)施同時(shí)存在“街道名+門址”“小區(qū)”等多種形式。利用本方法先基于成都市分級(jí)分詞地名庫對地址描述進(jìn)行自動(dòng)中文地址分級(jí)分詞，進(jìn)而與地名地址數(shù)據(jù)庫進(jìn)行匹配，得到空間化的初步成果，分詞及匹配結(jié)果示例如表2所示。實(shí)踐證明，匹配效率與地名地址詞典庫的完整性以及原始地址描述準(zhǔn)確性有直接關(guān)系，如原始地址描述較為準(zhǔn)確完整匹配效率可達(dá)90%以上。此外，由于原始地址描述的詳細(xì)程度和具體定位不同，還需根據(jù)初步定位結(jié)果及余詞信息做進(jìn)一步人工核實(shí)。

4 結(jié)語

地名地址作為連接空間數(shù)據(jù)和非空間數(shù)據(jù)的紐帶，是實(shí)現(xiàn)城市政務(wù)信息共享的前提。本文通過地名地址匹配技術(shù)，分別實(shí)現(xiàn)了對含空間坐標(biāo)和只有位置描述的兩類政務(wù)信息融合的方法。實(shí)踐證明，本文方法不僅能提高多源、異構(gòu)、海量政務(wù)信息資源的整合效率，且為實(shí)現(xiàn)政務(wù)數(shù)據(jù)與地理實(shí)體的關(guān)聯(lián)，打通不同行業(yè)信息的壁壘，推動(dòng)智慧城市建設(shè)和數(shù)據(jù)共享奠定了基礎(chǔ)。

作者：李新雙，陳軍勝，劉化冰，趙麗麗

來源：《城市勘測》2024年3期

選稿：耿 曈

編輯：杜佳玲

校對：汪依婷

審訂：賀雨婷

責(zé)編：耿 曈

（由于版面內(nèi)容有限，文章注釋內(nèi)容請參照原文）

微信掃碼加入

中國地名研究交流群

QQ掃碼加入

江西地名研究交流群

歡迎來稿！歡迎交流！

轉(zhuǎn)載請注明來源：“江西地名研究”微信公眾號(hào)