轨迹压缩之Douglas-Peucker算法之C++实现
http://www.cnblogs.com/xdlwd086/p/5100425.html
这位学长编了java版本的,于是在借鉴学长的思路的基础上,做出了C++的实现,以此分享。
#include <stdio.h> //定义输入/输出函数 #include <stdlib.h> //定义杂项函数及内存分配函数 #include <ctime> #include <cstdlib> #include <string> #include <sstream> #include <iostream> #include <fstream> #include <iomanip> #include <cmath> using namespace std; #define M_PI 3.14159265358979323846 #define DMax 30.0 long double gps[3150][2]; int gps_visit[3150] = {0}; /* The code of GeoDistance function: Input: Two coordination {Latitude1, Longitude1, Latitude2, Longitude2 } (type:double) Output: Distance(Unit: m) (type:double) */ long double Rad(long double d){ return d * M_PI / 180.0; } //经度 longitude 纬度latitude long double Geodist(long double lon1, long double lat1, long double lon2, long double lat2){ long double radLat1 = Rad(lat1); long double radLat2 = Rad(lat2); long double delta_lon = Rad(lon2 - lon1); long double top_1 = cos(radLat2) * sin(delta_lon); long double top_2 = cos(radLat1) * sin(radLat2) - sin(radLat1) * cos(radLat2) * cos(delta_lon); long double top = sqrt(top_1 * top_1 + top_2 * top_2); long double bottom = sin(radLat1) * sin(radLat2) +cos(radLat1) * cos(radLat2) * cos(delta_lon); long double delta_sigma = atan2(top, bottom); long double distance = delta_sigma * 6378137.0; return distance; } //将2007-10-14-GPS.log文件中的GPS数据提取出来,转换之后另存起来 void init1(){ ifstream in1; ofstream out1; in1.open("F:\\研一上\\滴滴算法竞赛\\城市计算\\Task\\Data\\task 1-compression\\2007-10-14-GPS.log"); out1.open("F:\\研一上\\滴滴算法竞赛\\城市计算\\Task\\Data\\task 1-compression\\GPS.txt"); for(int i=0;i<3150;i++){ string temp; getline(in1, temp); string gps_E = temp.substr(20,10); string gps_N = temp.substr(33,9); out1<<gps_E<<" "<<gps_N<<endl; } out1.close(); in1.close(); } void init2(){ ifstream in2; ofstream out2; in2.open("F:\\研一上\\滴滴算法竞赛\\城市计算\\Task\\Data\\task 1-compression\\GPS.txt"); out2.open("F:\\研一上\\滴滴算法竞赛\\城市计算\\Task\\Data\\task 1-compression\\realGPS1.txt"); for(int i=0;i<3150;i++){ long double gps_E,gps_N; in2>>gps_E>>gps_N; gps_E = (gps_E - 11600.0)*1.0/60+116.0; gps_N = (gps_N - 3900)*1.0/60+39.0; out2 <<setiosflags(ios::fixed)<<setprecision(6)<<gps_E<<" "<<gps_N<<" "<<i+1<< endl; gps[i][0] = gps_E; gps[i][1] = gps_N; } out2.close(); in2.close(); } long double get_d(int point_A,int point_B,int point_C ){ long double a = abs( Geodist(gps[point_B][0],gps[point_B][1],gps[point_C][0],gps[point_C][1] ) ); long double b = abs( Geodist(gps[point_A][0],gps[point_A][1],gps[point_C][0],gps[point_C][1] ) ); long double c = abs( Geodist(gps[point_A][0],gps[point_A][1],gps[point_B][0],gps[point_B][1] ) ); long double p = (a+b+c)/2.0; long double s = sqrtl( abs( p*(p-a)*(p-b)*(p-c) ) ); long double d = s*2.0/c; return d; } void dp_gps(int point_start,int point_end){ if(point_start<point_end){ //递归进行条件 long double maxDist = 0; //最大距离 int mid = 0; //最大距离对应的下标 for(int i=point_start+1;i<point_end;i++){ long double temp = get_d(point_start,point_end,i); if(temp>maxDist){ maxDist = temp; mid = i; }//求出最大距离及最大距离对应点的下标 } if(maxDist>=DMax){ gps_visit[mid] = 1; //记录当前点加入 //将原来的线段以当前点为中心拆成两段,分别进行递归处理 dp_gps(point_start,mid); dp_gps(mid,point_end); } } } int main(){ int count = 0; //记录输出点的个数 long double Mean_distance_error; //平均距离误差 long double Compression_rate; //压缩率 init1(); init2(); gps_visit[0] = 1; gps_visit[3149] = 1; dp_gps(0,3149); ofstream out3; out3.open("F:\\研一上\\滴滴算法竞赛\\城市计算\\Task\\Data\\task 1-compression\\pointID.txt"); for(int i=0;i<3150;i++ ){ if(gps_visit[i]==1){ out3<<i+1<<endl; count++; } } out3.close(); long double sum_notVisit_d = 0; int start = 0,end; for(int i=0;i<3150;){ if(start == 3149) break; //如果开始点是尾点,那就结束 for(int j=start+1;j<3150;j++){ //找出下一个压缩节点 if(gps_visit[j]==1){ end = j; break; } } for(int k=start+1;k<end;k++ ){ if(gps_visit[k]==0){ sum_notVisit_d+= get_d( start,end,k ); } } start = end; } Mean_distance_error = sum_notVisit_d/3150.0; Compression_rate = count/3150.0; cout<<count<<endl; //输出压缩后点的个数 cout<<setiosflags(ios::fixed)<<setprecision(6)<<Mean_distance_error <<endl; cout<<setiosflags(ios::fixed)<<setprecision(4)<<Compression_rate*100<<"%"<<endl; system("pause"); return 0; }
对于文献《基于时空特性的GPS轨迹数据压缩算法_张达夫》
首先,“一次性”压缩,可以考虑以下几种
其中,均匀采样算法最简单,这个就是每n个点取一个采样点,不多说。第二个的道格拉斯-普克算法已经实现过了,也不多说。第三个是把DP算法中的误差指标替换成了“同步欧式距离”,就是结合时间和空间因素来计算距离,摒弃之前只使用空间距离的方法。第四个是采用另外的体系,是采用“速度差”来衡量误差,在老师给的GPS.log数据文件中GPS坐标后面的那个数据应该就是速度数据,可以使用这个速度数据来重新编写误差指标函数。第五个,是空间距离度量的变种,是一种在线的算法。
对于文献《自适应参数的轨迹压缩算法_龙浩_张书奎_孙鹏辉》
本文献中另外提供了利用设定压缩比来“自适应设定误差指标”的两种算法。其实我觉得可以是五种,因为自适应就是“把程序加个循环的变一种说法”。上面第一段那个图中五种算法,都可以加入循环来重复计算,从而选取恰好满足压缩比而误差指标取到最大的值---的情况。
上面这两段是对轨迹压缩问题中的“线段简化压缩方法”介绍。
此外还想进阶的话,可以看看,“基于路网结构的压缩方法”和“基于语义的压缩方法”。貌似这个“基于路网的压缩方法”使用的还比较普遍。