一、为什么需要点聚合
在地图上查询结果通常以标记点的形式展现，但是如果标记点较多，不仅会大大增加客户端的渲染时间，让客户端变得很卡，而且会让人产生密集恐惧症（图1）。为了解决这一问题，我们需要一种手段能在用户有限的可视区域范围内，利用最小的区域展示出最全面的信息，而又不产生重叠覆盖。
图1
二、已尝试的方案---kmeans
直觉上用聚类算法能较好达成我们目标，因此采用简单的kmeans聚类。根据客户端的请求，我们知道了客户端显示的范围，并到索引引擎里取出在此范围内的数据，并对这些数据进行kmeans聚类，最后将结果返回给客户端。
但是上线之后发现kmeans效果并不如意，主要有以下两个缺点。
a）性能问题
kmeans是计算密集型算法，需要迭代多次才能完成，而且每次迭代过程中都涉及到复杂的距离计算，比较消耗cpu。
我们在上线后遇到load较高的问题。
b）效果问题
kmeans未能彻底解决重叠覆盖问题！可以看到有些聚合后的图标会叠合在一起。
三、优化方案
再次回顾我们的目的：我们需要一种手段能在用户有限的可视区域范围内，利用最小的区域展示出最全面的信息，而又不产生重叠覆盖。
3.1. 直接网格法
解决地理空间相关问题时，对空间划分网格这种方法往往屡试不爽。
原理：将地图范围划分成指定尺寸的正方形（每个缩放级别不同尺寸），然后将落在对应格子中的点聚合到该正方形中（正方形的中心），最终一个正方形内只显示一个中心点，并且点上显示该聚合点所包含的原始点的数量。
如何将点落到正方形内呢？我们将空间人为指定100*100大小，通过这个公式进行映射。
优点：运算速度较快，每个原始点只需计算一次，没有复杂的距离计算。
缺点：有时明明很相近的点，却仅仅因为网络的分界线而被逼分开在不同的聚合点中，此外，聚合点的位置采用的是该网格的中心，而非该网格的质心，这样聚合出来的点可能不能较精确反映原始点的信息。
3.2. 网格距离法
原理：沿用方案一思想，1）将各个点落到相应正方形内；2）求解各个网格的质心；3）合并质心：判断各个质心是否在某一范围内，如果在某一范围内则进行合并。
如何判断各个质心点是否需要合并呢？以A点为例，画一个矩形或者圆范围，落在此范围内的合并，B、C均落在范围内，因此A、B、C三点合并。
优点：运算速度同样较快，相对于方案一，多了求解质心以及质心合并两个步骤，但这两个步骤都较为简单，能很快完成。
可以参考：https://blog.csdn.net/qq_17810899/article/details/85788486
3.3. 直接距离法
原理：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，正方形的变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。每个缩放级别都重新遍历所有原始点要素。
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，此法还有个缺点，就是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。
下面的代码，重点在于 排序，这样的话，每一个点只需要和 集合的最后一个点比较一次
@Test
public void testDis() {
GlobalCoordinates source = new GlobalCoordinates(120.586632, 30.851061);//纬度，经度
GlobalCoordinates target = new GlobalCoordinates(120.908287, 30.831963);
double meter1 = getDistanceMeter(source, target, Ellipsoid.Sphere);
double meter2 = getDistanceMeter(source, target, Ellipsoid.WGS84);
System.out.println("Sphere座标系计算结果：" + meter1 + "米");
System.out.println("WGS84座标系计算结果：" + meter2 + "米");
System.out.println("here");
}
private double getDistanceMeter(GlobalCoordinates gpsFrom, GlobalCoordinates gpsTo, Ellipsoid ellipsoid) {
//创建GeodeticCalculator，调用计算方法，传入座标系、经纬度用于计算距离
GeodeticCurve geoCurve = new GeodeticCalculator().calculateGeodeticCurve(ellipsoid, gpsFrom, gpsTo);
return geoCurve.getEllipsoidalDistance();
}
public static void main(String args[]) {
new CommunityServiceImplTest().testJuhe();
}
public void testJuhe() {
final float width = 7;//屏幕宽度
final float space = 10;//10KM
final int cutNum = 5;
//1.分割,计算点的距离
double distance = (width * space / cutNum) * 1000;//单位m
List<MyPoint> myPoints = getData();
List<CollectPoint> collectPoints = new ArrayList<>();//集合点
for (MyPoint myPoint : myPoints) {
//1.第一个点直接放到集合
if (CollectionUtils.isEmpty(collectPoints)) {
CollectPoint collectPoint = new CollectPoint();
collectPoint.setBaseMyPoint(myPoint);
collectPoint.addPoint(myPoint);
collectPoints.add(collectPoint);
}
//2.后面的每一个点都和集合中的去对比，每次只和集合的最后一个对比
else {
CollectPoint lastCollectPoint = collectPoints.get(collectPoints.size() - 1);
GlobalCoordinates source = new GlobalCoordinates(lastCollectPoint.getBaseMyPoint().getLatitude(),
lastCollectPoint.getBaseMyPoint().getLongitude());
GlobalCoordinates target = new GlobalCoordinates(myPoint.getLatitude(), myPoint.getLongitude());
double meter1 = getDistanceMeter(source, target, Ellipsoid.Sphere);//单位 米
if (meter1 < distance) {
lastCollectPoint.addPoint(myPoint);
} else {
CollectPoint collectPoint = new CollectPoint();
collectPoint.setBaseMyPoint(myPoint);
collectPoint.addPoint(myPoint);
collectPoints.add(collectPoint);
}
}
}
System.out.println(
"Rsp:" + JSONObject.toJSONString(collectPoints, SerializerFeature.DisableCircularReferenceDetect));
}
private List<MyPoint> getData() {
List<MyPoint> myPoints = new ArrayList<MyPoint>();
myPoints.add(new MyPoint(30.765439, 120.995178));
myPoints.add(new MyPoint(30.836215, 120.932007));
myPoints.add(new MyPoint(31.316101, 120.879822));
myPoints.add(new MyPoint(31.606610, 121.039124));
myPoints.add(new MyPoint(31.676758, 121.497803));
myPoints.add(new MyPoint(31.353637, 121.599426));
myPoints.add(new MyPoint(31.346600, 121.602173));
myPoints.add(new MyPoint(31.330179, 121.593933));
myPoints.add(new MyPoint(31.233940, 121.484070));
myPoints.add(new MyPoint(31.205754, 121.497803));
//按照经度 排序，从左到右，从小到大
Collections.sort(myPoints, new Comparator<MyPoint>() {
@Override
public int compare(MyPoint o1, MyPoint o2) {
return (int) (o1.getLongitude() - o2.getLongitude());
}
});
System.out.println("排序后:" + JSONObject.toJSONString(myPoints));
return myPoints;
}
@Data
class MyPoint {
private double longitude;//经度
private double latitude; //纬度
public MyPoint(double longitude, double latitude) {
this.longitude = longitude;
this.latitude = latitude;
}
}
@Data
class CollectPoint {
private MyPoint baseMyPoint;
private List<MyPoint> myPoints = new ArrayList<>();
public void addPoint(MyPoint myPoint) {
myPoints.add(myPoint);
}
}
3.4. K-D树方法
这种方法需要结合PCA（主成分分析）和K-D树，在效果上比较好，但是性能较差，实现也较为复杂。
（http://applidium.com/en/news/too_many_pins_on_your_map/）
参考文献
https://developers.google.com/maps/articles/toomanymarkers
http://applidium.com/en/news/too_many_pins_on_your_map/
基于百度地图的标记点聚合算法研究
在线地图的点聚合算法及现状
转载请标明源地址：http://www.cnblogs.com/LBSer