如何解决应用卡尔曼滤波使用 GeoCordinates 跟踪用户的移动性
我正在尝试实现一个简单的卡尔曼滤波器,该滤波器将用于使用一组地理坐标或来自 Twitter 推文地理数据的地点 ID 来跟踪用户移动。
基本上,我正在使用 Twitter 数据计算移动模式?给定大量推文,其中一些带有地理坐标,一些带有位置 ID,我们可以使用(或开发)哪些方法来检查用户去了哪里,他们移动了多少,以及他们什么时候回到“家”。
任何人都可以对此有所了解吗?
解决方法
我会说这个问题目前的形式非常含糊,而且非常不完整。我不熟悉推特的地理数据,地理坐标是纬度和经度吗?或者它们会在其他一些以地球为中心的坐标系中表示。我可以假设您可以将地点 ID 转换为相同的表示吗?如果是这样,您的过滤器实现将变得更加简单。
总而言之,是的,可以跟踪用户的坐标,前提是测量频率足够好,并且您正在为每个用户应用正确的运动和观察模型。如果您已经有一个与每个地理坐标相关联的 ID(我认为就是这种情况),那么您的过滤器实现将进一步简化为运行多个卡尔曼过滤器实例(每个用户一个)。
最后,我假设地理数据是嘈杂的,也许这就是您想要使用卡尔曼滤波器跟踪坐标的原因。
你知道他们家在哪里吗?或者您想通过分析他们的动作来使用过滤器检测到这一点吗?
最后,我将讨论您可能需要解决的一些问题,如果您不熟悉过滤,我建议您首先跟踪一位用户的动作并开始阅读 www.kalmanfilter.net 指南。如果地理数据提供纬度/经度,则 utm (x,y) 坐标将通过非线性函数获得,从而促使您使用具有非线性观测模型的过滤器。就运动模型而言,我认为您可以使用简单的线性完整模型(对于行人来说应该足够了),但是如果用户正在驾驶汽车呢?良好跟踪的关键是测量频率。您多久会获得这些职位测量结果?它们是否足以满足您的应用需求?
也许您应该进一步澄清您想要跟踪的究竟是什么? “他们移动了多少?”是什么意思?意思。是否仅使用离散过滤器跟踪在有限数量的地方(例如图中的节点)上花费的访问量和时间就能满足您的要求?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。