GPS数据平滑后的比较

Question

我试图比较多种算法，这些算法用来平滑GPS数据。我想知道比较结果的标准方法是什么，看看哪种方法提供了更好的平滑效果。

我在想一种机器学习的方法。根据分类器对汽车模型进行装箱，并检查哪一条轨道提供了更好的性能。

对于那些在这方面有更多经验的人来说，这是一个好方法吗？还有其他方法可以做到吗？

Answer 1

一般来说，没有普遍有效的方法来比较两个数据集，因为它完全取决于应用的/所需的质量标准。

为了你的阿波罗

我在想一种机器学习的方法。根据分类器对汽车模型进行装箱，并检查哪一条轨道提供了更好的性能。

这意味着你需要在数学上定义你的术语“更好的行为”。

您的应用程序的一个可能的质量标准如下(它由两个部分组成，它们表示相反的质量方面)：

第一部分(偏离原始数据)：计算平滑数据与原始数据之间的均方误差。这为您提供了一个度量您的平滑轨道偏离给定的原始坐标。这意味着，如果您要平滑更多，则中的错误(RMSE)会增加。如果你的平滑度较小，它就会de折痕。

第二部分(轨道平滑度)：计算汽车沿轨道的平均绝对横向加速度(第二偏差)。这将de折痕，如果你平滑得更多，它将在折痕，如果你是平滑较少。也就是说，它的行为与RMSE背道而驰。

结果评价：

(1)在你知道基本GPS轨道是一条直线或被跟踪物体没有移动的情况下，找出你的数据序列。注意，对于这些轨道，(横向)加速度定义为零(！)。对于这些，计算RMSE和平均绝对横向加速度。具有(几乎)零加速度的appoache的RMSE是由于测量不准确而产生的！

(2)在x轴上用RMSE绘制结果，在y轴上画出平均加速度。

(3)选择所有具有类似于步骤(1)中的RMSE的方法。

(4)从这些方法中选出加速度最小的方法。这些给你最平滑的跟踪与一个错误的解释，通过测量不准确！

(5)你完成了:)

Answer 2

我没有这方面的经验，但我有一些事情在脑海中，可能会对你有所帮助。

，您知道它是一辆汽车，，您知道数据是从汽车中生成的，所以您可以定义一组汽车的属性。例如，如果一辆汽车以超过50公里的速度行驶，拐角的角度至少应该是110度。我绝对是用这些值来猜测的，但是如果你做一点研究，我相信你就能定义这些属性了。接下来，你可以做的是测试每个近似如何适合汽车属性，并选择最好的一个。

原始数据。我假设您正在测试给定道路的一部分上的所有方法。你可以生成一个“原始gps轨道”--一条最适合汽车运行的轨道。谷歌地图可能会帮助你生成这样的轨道，一些gps设计的更高的精度。比你测量的距离之间的每一个近似和你生成的轨道-一个最小的距离获胜。

Answer 3

本文讨论了比较机器学习算法的方法：

“基于校准测试的两种学习算法之间的选择”，可在以下网站获得：http://www.cs.waikato.ac.nz/ml/publications/2003/bouckaert-calibrated-tests.pdf

也请看这篇论文：

“单个和多个数据集上机器学习算法的贝叶斯比较”，可在以下网站获得：http://www.jmlr.org/proceedings/papers/v22/lacoste12/lacoste12.pdf

注意:从这个问题中可以注意到，您正在研究比较机器学习算法结果的最佳方法，而不是寻找可能实现此功能的其他机器学习算法。