摘要：道路网选取是制图综合中的关键环节。尽管基于机器学习的模型提升了选取性能，但其复杂性增加也削弱了模型的可解释性，导致难以明确描述输入道路特征与选择决策之间的关系。为了解决这一问题，本文提出了一种可解释人工智能（XAI）方法用于道路网选取。该方法以道路stroke为处理单元，提取每条stroke的描述性特征。采用神经加性模型（Neural Additive Model, NAM），该模型由多个独立的特征网络组成，用于分析这些描述性特征并判断每条道路stroke是否应被保留。该XAI方法的可解释性源于NAM中特征网络的线性组合学习机制，这一机制清晰地区分了每个特征对最终选择结果的贡献。为了在可解释性与性能之间取得平衡，本文引入知识蒸馏（knowledge distillation）技术，将教师模型的知识迁移至NAM学生模型中。实验结果表明，该XAI方法与人工选择的结果一致性超过87%。更重要的是，该方法支持全局与局部的可解释性分析，增强了对某些道路stroke为何被保留或删除的理解。这些对模型决策过程的洞察有助于推动制图综合智能化的发展。
 

制图综合,可解释人工智能,道路网选取