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。