融合两个空间数据集的最佳机器学习技术是什么？

Question

我有两个数据集，包含点几何(X,Y)和一个记录的汽车排气参数(比如说，RP值)，一个感兴趣的区域(AOI)。数据集在空间上是不同的，即第一组数据集沿人行道(X1，Y1，RP1)，第二组数据集(X2，Y2，RP2)位于道路中线(直线分裂成等距2米点)。

沿人行道的数据与在道路中心线上的数据之间的距离是不同的，在某些位置是3-6米，在某些位置是>6米(比方说，6-20米范围)。这是由于这一距离反映了不同的道路宽度，长度在一个现实的，复杂的城市景观。

有了上述数据，我想融合这两个数据集，考虑到沿边行走的数据“更可靠”(从而更高的权重？)，并将融合输出与AOI中有限位置的参考数据进行比较，以评估数据融合的性能。

实现上述目标的最佳机器学习/数据科学技术是什么？例如，我愿意探索Python、R、Matlab中的几种(或“最佳候选”)技术(S)。对我来说，重点是数据融合技术。

Ps。如果认为在数据处理中“合适”，也可以获得关于道路宽度、长度、现有或不存在的建筑物的信息。

Answer 1

在导航方面，最可靠的算法之一是卡尔曼滤波，因为它根据以前的点来预测方向。

在你的情况下，如果你在每个记录上有2个点的测量，如果你使用一个卡尔曼滤波器，它将识别哪一个是最接近预测值的，而没有轮廓。

如果你正确应用卡尔曼滤波，你将有第三个定位值，将纠正另外两个，并帮助你确定哪一个是最可靠的。

有几个库可以实现这一点：

1. PyKalman
2. FilterPy包括实验
3. 辛德卡尔曼

要小心地设定一个好的降噪值:过多的降噪会使轨迹变得太精确，容易受到轮廓误差的影响，而过低的降噪会使轨迹变得太模糊。

一个良好的降噪值应该更接近于自然轨迹，这是平滑和清晰的。