Misclassification of features is a major source of uncertainty in OpenStreetMap (OSM). This study is an automated data-enrichment study whose primary goal is predicting road classes based on multi-classifier systems (MCSs). In this regard, fourteen parameters (thirteen centrality parameters and length) that were assumed to have the highest impact on the classes of the features were calculated for the features. Choosing Tehran, Iran, as the test case, no ground truth was available; therefore, the tags assigned by the Iranian identified experts were fed to several classifiers including random forest, decision tree, support vector machine (SVM), Artificial Neural Network (ANN), and naïve Bayes. Using the five-fold cross-validation method, the overall accuracy of the classifiers was 93.55%, 90.19%, 88.50%, 83.06%, and 25.06%, respectively. Using Gini importance showed that closeness, eccentricity, and length were the most important parameters affecting the classification. To further enhance the accuracy, MCSs were used to fuse the results. The employed methods were weighted majority voting, naïve Bayes, Dempster-Shaffer, decision template, and behavior knowledge space (BKS). Experimenting different fusion methods with different combinations of the input classifiers led to enhanced results, in which BKS being fed with the combination of SVM and random forest scored the highest with an accuracy of 97.19%. Also, the methodology was tested on two other major cities of Iran, namely Mashhad and Karaj, and the BKS fusion method resulted in the accuracy of 93.18% and 87.86%, respectively.

特征的错误分类是 OpenStreetMap (OSM) 中不确定性的主要来源。本研究是一项自动化数据丰富研究，其主要目标是基于多分类器系统 (MCS) 预测道路类别。在这方面，为特征计算了被假定对特征的类别影响最大的十四个参数（十三个中心参数和长度）。选择伊朗德黑兰作为测试案例，没有可用的基本事实；因此，伊朗鉴定专家分配的标签被输入到几个分类器，包括随机森林、决策树、支持向量机 (SVM)、人工神经网络 (ANN) 和朴素贝叶斯。使用五重交叉验证方法，分类器的总体准确率分别为 93.55%、90.19%、88.50%、83.06% 和 25.06%。使用基尼重要性表明接近度、偏心率和长度是影响分类的最重要参数。为了进一步提高准确性，使用 MCS 来融合结果。所采用的方法是加权多数投票、朴素贝叶斯、Dempster-Shaffer、决策模板和行为知识空间 (BKS)。用不同的输入分类器组合试验不同的融合方法得到了增强的结果，其中用 SVM 和随机森林组合馈送的 BKS 得分最高，准确率为 97.19%。此外，该方法在伊朗的另外两个主要城市马什哈德和卡拉吉进行了测试，BKS 融合方法的准确率分别为 93.18% 和 87.86%。和长度是影响分类的最重要参数。为了进一步提高准确性，使用 MCS 来融合结果。所采用的方法是加权多数投票、朴素贝叶斯、Dempster-Shaffer、决策模板和行为知识空间 (BKS)。用不同的输入分类器组合试验不同的融合方法得到了增强的结果，其中用 SVM 和随机森林组合馈送的 BKS 得分最高，准确率为 97.19%。此外，该方法在伊朗的另外两个主要城市马什哈德和卡拉吉进行了测试，BKS 融合方法的准确率分别为 93.18% 和 87.86%。和长度是影响分类的最重要参数。为了进一步提高准确性，使用 MCS 来融合结果。所采用的方法是加权多数投票、朴素贝叶斯、Dempster-Shaffer、决策模板和行为知识空间 (BKS)。用不同的输入分类器组合试验不同的融合方法得到了增强的结果，其中用 SVM 和随机森林组合馈送的 BKS 得分最高，准确率为 97.19%。此外，该方法在伊朗的另外两个主要城市马什哈德和卡拉吉进行了测试，BKS 融合方法的准确率分别为 93.18% 和 87.86%。Dempster-Shaffer、决策模板和行为知识空间 (BKS)。用不同的输入分类器组合试验不同的融合方法得到了增强的结果，其中用 SVM 和随机森林组合馈送的 BKS 得分最高，准确率为 97.19%。此外，该方法在伊朗的另外两个主要城市马什哈德和卡拉吉进行了测试，BKS 融合方法的准确率分别为 93.18% 和 87.86%。Dempster-Shaffer、决策模板和行为知识空间 (BKS)。用不同的输入分类器组合试验不同的融合方法得到了增强的结果，其中用 SVM 和随机森林组合馈送的 BKS 得分最高，准确率为 97.19%。此外，该方法在伊朗的另外两个主要城市马什哈德和卡拉吉进行了测试，BKS 融合方法的准确率分别为 93.18% 和 87.86%。