问题描述
我正在尝试实现一个简单的卡尔曼滤波器，该滤波器将用于使用一组地理坐标或来自 Twitter 推文地理数据的地点 ID 来跟踪用户移动。
基本上，我正在使用 Twitter 数据计算移动模式？给定大量推文，其中一些带有地理坐标，一些带有位置 ID，我们可以使用（或开发）哪些方法来检查用户去了哪里，他们移动了多少，以及他们什么时候回到“家”。
任何人都可以对此有所了解吗？
解决方法
我会说这个问题目前的形式非常含糊，而且非常不完整。我不熟悉推特的地理数据，地理坐标是纬度和经度吗？或者它们会在其他一些以地球为中心的坐标系中表示。我可以假设您可以将地点 ID 转换为相同的表示吗？如果是这样，您的过滤器实现将变得更加简单。
总而言之，是的，可以跟踪用户的坐标，前提是测量频率足够好，并且您正在为每个用户应用正确的运动和观察模型。如果您已经有一个与每个地理坐标相关联的 ID（我认为就是这种情况），那么您的过滤器实现将进一步简化为运行多个卡尔曼过滤器实例（每个用户一个）。
最后，我假设地理数据是嘈杂的，也许这就是您想要使用卡尔曼滤波器跟踪坐标的原因。
你知道他们家在哪里吗？或者您想通过分析他们的动作来使用过滤器检测到这一点吗？
最后，我将讨论您可能需要解决的一些问题，如果您不熟悉过滤，我建议您首先跟踪一位用户的动作并开始阅读 www.kalmanfilter.net 指南。如果地理数据提供纬度/经度，则 utm (x,y) 坐标将通过非线性函数获得，从而促使您使用具有非线性观测模型的过滤器。就运动模型而言，我认为您可以使用简单的线性完整模型（对于行人来说应该足够了），但是如果用户正在驾驶汽车呢？良好跟踪的关键是测量频率。您多久会获得这些职位测量结果？它们是否足以满足您的应用需求？
也许您应该进一步澄清您想要跟踪的究竟是什么？ “他们移动了多少？”是什么意思？意思。是否仅使用离散过滤器跟踪在有限数量的地方（例如图中的节点）上花费的访问量和时间就能满足您的要求？