Hallazgo Similar Mapa De Rutas

Question

Estoy en busca de un algoritmo, el cual, cuando una determinada ruta en un mapa con atributos tales como la inclinación/la distancia/la forma/etc, puede encontrar una ruta que es similar (en términos de los atributos), pero se inicia en un punto diferente o en otra región en el mundo.

Es obvio que va a ser imposible en casi todos los casos para encontrar un ajuste perfecto, pero estoy buscando un "mejor partido" tipo de sistema con un método de medición de la similitud como bien lo ideal.

He intentado buscar, pero la mayoría de mis consultas vienen con Mapa de Coincidencia de problemas o la ruta de similitud de puntos de GPS a lo largo de la misma ruta. Yo no conozca la terminología correcta! Hay un nombre para este problema? Qué algoritmo que puede utilizar para solucionar esto?

Answer 1

Mapa de adaptación es diferente de lo que usted está buscando. Mapmatching es la forma correcta de hacer coincidir una errorness gps de observación a los lineales de red de la calle. Tu pregunta no tiene nada que ver con los puntos GPS. Debido a que usted quiere comparar el patrón de las rutas estáticas (no temporal) y encontrar los similares. Lo que se busca es la función lineal (en el sentido de SIG no decir, de aprendizaje de la máquina) coincidentes. La literatura relacionada con el track de GPS es el patrón espacio-temporal de coincidencia de que va bajo la rúbrica de la "Trayectoria espacial (temporal) Patrón de Minería de datos".

Para más información, mira el capítulo (Patrón de la Trayectoria de la Minería) del libro "informática espacial trayectoria". Usted tendrá mucha idea de cómo compare y contraste (es decir, a través de azimut, segmentos de longitud, sinuosidad, beeline, etc) a través de varias rutas o trayectoria.

Answer 2

Su pregunta se basa en los datos vectoriales. Yo sin embargo creo que están mejor servidos con la conversión de la cuestión en un ráster de análisis. Al hacerlo, también, en cierta medida generalizar su pregunta.

Un algoritmo para resolver su pregunta sería la siguiente:

1. Trazar la ruta original y hacer que cada célula de llevar a los parámetros de acuerdo a sus especificaciones (inclinación/distancia/forma/etc). El hecho de que la carretera está presente es también un parámetro. Esto se convierte en una dimensión de la lista con n objetos -> routelist(n)

2. Encontrar un área de prueba donde se sabe que hay al menos una réplica de su ruta original. Rasterización de esta área con los parámetros de la ruta original. Esta es la trama de una.

3. Empezar con la celda 1,1 en la trama una y moverse a través de toda la trama de una manera ordenada.
4. Para cada celda se llama a una función. Esta función comprueba si la celda corresponde a routelist(0), si el mismo se realiza en las células circundantes. Con éxito la función pasa a comprobar la célula para routelist(1) y así sucesivamente. Si el éxito de todo el camino a routelist(n) las coordenadas se almacenan como una ruta alternativa en routelistcopy(n)
5. Repita hasta que llegue el último píxel en la trama.

Arriba verás tres opciones para las rutas de acuerdo a los parámetros de routelist.

Además:

• El ejemplo de los rásteres de arriba son medidos de acuerdo a sólo un parámetro. En el mundo real desafío de un píxel será una combinación de varios parámetros.
• Debo tener esta tarea me gustaría tratar de escribir la función mencionada más arriba, de manera recursiva. Esto sería más eficiente y resolver el problema de los "divergentes pistas" - donde tienes varios caminos alternativos, con el mismo punto de partida.
• Las vueltas de tu ruta no es considerado un problema. Esto significa que las respuestas son una lista de píxeles conectados en el mismo orden de su ruta original. Giros y vueltas no son un problema. Puede que tenga que escribir el algoritmo, por lo que la auto-intersección de las rutas no es una parte de la solución.
• Diseñar el algoritmo, por lo que se pueden establecer diferentes niveles de tolerancia para los criterios en juego. Esto le dará más flexibilidad.
• En una operación de ajuste de todo el proceso puede ser más eficaz, por la detección de la zona de ocurrencia de los píxeles de acuerdo a sus especificaciones. Si no están allí en la zona de estudio es negativo, así que no hay razón para usar el tiempo para analizar el área.