我正在尝试比较多种用于平滑GPS数据的算法。我想知道比较结果的标准方法是什么，以便确定哪一种提供更好的平滑效果。

我在考虑使用机器学习方法。创建一个基于分类器的汽车模型，并检查在哪些轨迹上表现更好。

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这一点吗？

回答：

一般来说，比较两个数据集没有普遍有效的方法，因为这完全取决于所应用/所需的质量标准。

对于你的方法

我在考虑使用机器学习方法。创建一个基于分类器的汽车模型，并检查在哪些轨迹上表现更好。

这意味着你需要数学上定义“更好行为”这个术语。

你的应用的一个可能的质量标准如下（它由两个部分组成，表达相反的质量方面）：

第一部分（与原始数据的偏差）：计算平滑数据与原始数据之间的均方根误差（RMSE）。这为你提供了平滑轨迹与给定原始坐标的偏差的度量。这意味着，如果你进行更多的平滑，误差（RMSE）会增加。如果你进行较少的平滑，它会减少。

第二部分（轨迹平滑度）：计算汽车沿轨迹将经历的平均绝对横向加速度（第二次偏差）。这会在你进行更多平滑时减少，而在你进行较少平滑时增加。也就是说，它与RMSE的行为相反。

结果评估：

(1) 找出你数据中的一个序列，你知道底层的GPS轨迹是一条直线，或者被跟踪的对象没有移动。请注意，对于这些轨迹，（横向）加速度按定义为零！对于这些，计算RMSE和平均绝对横向加速度。对于那些（几乎）零加速度的方法，RMSE来自测量不准确性！

(2) 在一个坐标系中绘制结果，x轴为RMSE，y轴为平均加速度。

(3) 选择所有RMSE与你在步骤(1)中发现的相似的方法。

(4) 从这些方法中，选择加速度最小的那个（些）。这些方法为你提供了最平滑的轨迹，其误差可以通过测量不准确性来解释！

(5) 你完成了 🙂