地图兴趣点聚合算法的探索与实践

一、导读

在实现基于地图的业务时，当地图上需要展示的兴趣点（POI）过多时，一般会基于图面效果和渲染性能的考虑，在大比例尺展示完整的业务数据，而在小比例尺展示聚合态数据。在处理不同数量级、不同分布形态的POI时，如何通过算法取得更加合理的聚合效果，同时既能支持离线的预处理聚合，也能较好的满足实时聚合的性能要求是本文主要讨论的内容。

注：兴趣点（Point of Interest，通常缩写成POI）是指电子地图上的某个地标、景点，用以标示出该地所代表的政府机关、商业机构（加油站、超市、餐厅、酒店等）、风景名胜、公共厕所、交通设施等处所。

本文通过对现有聚合算法进行预研，并结合实际业务对其进行改进，构建了一套能够满足多种业务需求的数据聚合方案。其中包含多种针对不同业务场景、不同数量级的POI聚合算法，并将聚合算法的配置进行了抽象，实现了聚合效果好，性能高且使用方便的聚合算法库，目前已应用到离线聚合和线上实时聚合的各个业务场景中。

二、点聚合算法比较

本节介绍目前使用较多的点聚合算法，并对不同点聚合算法的性能和聚合效果进行横向对比。针对不同的场景给出了参考使用的点聚合算法。在此基础上构建了一套相对通用的点聚合算法工具，使用者可以根据自身业务的特点，通过一定的配置来自定义具体使用的算法、策略和参数等等。

2.1 点聚合算法：

这里对使用较多的点聚合方案做简单介绍。

2.1.1 kmeans算法

kmeans算法主要通过初始指定k个聚类质心，而后按照“距离”来聚拢“相近”的数据点，而后重新计算新的质心，以此往复。不断迭代计算k个聚类点的质心，最终回归到k个聚类结果中，主要有以下两个缺点：

• 性能， kmeans是计算密集型算法，模型需要迭代很多次才能够完善，且大量的距离计算比较消耗cpu。

• 效果，kmeans不能解决重叠覆盖问题（算法设计指标里边没有对覆盖问题的评估指标）。

2.1.2 直接网格算法（Grid-based Clustering）

将地图划分为若干个网格，将落在对应网格中的点聚合在小网格的中心点。每个小网格只显示一个中心点，值为网格内的点数量。具体计算公式如下：

• 优点，运算速度快，不涉及两个点之间的距离计算，只有点是否处在网格内的一次性计算就能拿到结果。

• 缺点，如下图示，明明相近的两个点，因为划分在了不同的网格，而被迫分开计算在不同的网格中心。同时网格的中心，不一定就是网格内点的聚类中心，不能真实地反映聚类的中心点。

   

   

2.1.3 网格质心合并算法

与2.1.2方法基本一致，不同点在于，算法在将点划分到不同的网格中以后，会对每个网格的质心重新计算，得到更精确的聚类中心点。此外，还对经过质心计算的网格聚类中心点，进行了合并。（如果不进行合并，可能导致不同网格质心相近，造成覆盖）。网格质心的合并算法以一个网格质心为中心，画一个圆圈（或方格），将在这个范围内的网格质心都进行合并。圆圈或者方格的覆盖范围，可以作为配置来调整。

• 优点，运算速度较快（计算质心和合并质心不会带来特别大的计算量）

• 缺点，增加了计算量，同时也存在一定的误差，网格的划分，依旧可能会将原本聚集的点，强制分离开。

2.1.4 网格距离算法（Grid-Distance-based Clustering）

初始时没有任何已知聚合点，然后对每个点进行迭代，计算一个点的外包正方形，若此点的外包正方形与现有的聚合点的外包正方形不相交，则新建聚合点（这里不是计算点与点间的距离，而是计算一个点的外包正方形，正方形的边长由用户指定或程序设置一个默认值），若相交，则把该点聚合到该聚合点中，若点与多个已知的聚合点的外包正方形相交，则计算该点到到聚合点的距离，聚合到距离最近的聚合点中，如此循环，直到所有点都遍历完毕。

• 优点，运算速度相对较快，每个原始点只需计算一次，可能会有点与点距离计算，聚合点较精确的反映了所包含的原始点要素的位置信息。

• 缺点，速度不如完全基于网格的速度快等，同时各个点迭代顺序不同导致最终结果不同。因此涉及到制定迭代顺序的问题。同时聚类的中心点，是第一个加入该类的点的位置，并不能够代表整个聚类的中心位置，存在一定的不准确性。

       

       

2.1.5 四叉树算法（提供快速查找POI点的能力）+网格聚合算法（提供聚合POI点的具体策略）

首先明确，四叉树算法本身不提供数据聚合的能力，它的存在是为了配合之前的网格点聚合算法，提供快速查找到某一个网格下的所有POI数据的能力。