地圖點聚合優化方案

時間 2019-11-09

原文原文鏈接

http://www.cnblogs.com/LBSer/p/4417127.html

1、爲何須要點聚合

在地圖上查詢結果一般以標記點的形式展示，可是若是標記點較多，不只會大大增長客戶端的渲染時間，讓客戶端變得很卡，並且會讓人產生密集恐懼症（圖1）。爲了解決這一問題，咱們須要一種手段能在用戶有限的可視區域範圍內，利用最小的區域展現出最全面的信息，而又不產生重疊覆蓋。html

圖1算法

2、已嘗試的方案---kmeans

直覺上用聚類算法能較好達成咱們目標，所以採用簡單的kmeans聚類。根據客戶端的請求，咱們知道了客戶端顯示的範圍，併到索引引擎裏取出在此範圍內的數據，並對這些數據進行kmeans聚類，最後將結果返回給客戶端。網絡

可是上線以後發現kmeans效果並不如意，主要有如下兩個缺點。app

a）性能問題性能

kmeans是計算密集型算法，須要迭代屢次才能完成，並且每次迭代過程當中都涉及到複雜的距離計算，比較消耗cpu。優化

咱們在上線後遇到load較高的問題。google

b）效果問題spa

kmeans未能完全解決重疊覆蓋問題！能夠看到有些聚合後的圖標會疊合在一塊兒。htm

3、優化方案

再次回顧咱們的目的：咱們須要一種手段能在用戶有限的可視區域範圍內，利用最小的區域展現出最全面的信息，而又不產生重疊覆蓋。blog

3.1. 直接網格法

解決地理空間相關問題時，對空間劃分網格這種方法每每屢試不爽。

原理：將地圖範圍劃分紅指定尺寸的正方形（每一個縮放級別不一樣尺寸），而後將落在對應格子中的點聚合到該正方形中（正方形的中心），最終一個正方形內只顯示一箇中心點，而且點上顯示該聚合點所包含的原始點的數量。

如何將點落到正方形內呢？咱們將空間人爲指定100*100大小，經過這個公式進行映射。

優勢：運算速度較快，每一個原始點只需計算一次，沒有複雜的距離計算。

缺點：有時明明很相近的點，卻僅僅由於網絡的分界線而被逼分開在不一樣的聚合點中，此外，聚合點的位置採用的是該網格的中心，而非該網格的質心，這樣聚合出來的點可能不能較精確反映原始點的信息。

3.2. 網格距離法

原理：沿用方案一思想，1）將各個點落到相應正方形內；2）求解各個網格的質心；3）合併質心：判斷各個質心是否在某一範圍內，若是在某一範圍內則進行合併。

如何判斷各個質心點是否須要合併呢？以A點爲例，畫一個矩形或者圓範圍，落在此範圍內的合併，B、C均落在範圍內，所以A、B、C三點合併。

優勢：運算速度一樣較快，相對於方案一，多了求解質心以及質心合併兩個步驟，但這兩個步驟都較爲簡單，能很快完成。

3.3. 直接距離法

原理：初始時沒有任何已知聚合點，而後對每一個點進行迭代，計算一個點的外包正方形，若此點的外包正方形與現有的聚合點的外包正方形不相交，則新建聚合點（這裏不是計算點與點間的距離，而是計算一個點的外包正方形，正方形的變長由用戶指定或程序設置一個默認值），若相交，則把該點聚合到該聚合點中，若點與多個已知的聚合點的外包正方形相交，則計算該點到到聚合點的距離，聚合到距離最近的聚合點中，如此循環，直到全部點都遍歷完畢。每一個縮放級別都從新遍歷全部原始點要素。

優勢：運算速度相對較快，每一個原始點只需計算一次，可能會有點與點距離計算，聚合點較精確的反映了所包含的原始點要素的位置信息。

缺點：速度不如徹底基於網格的速度快等，此法還有個缺點，就是各個點迭代順序不一樣致使最終結果不一樣。所以涉及到制定迭代順序的問題。