寻求可精准预测数字手写笔输入坐标的优化算法方案

优先推荐的高性价比算法 #

• 卡尔曼滤波：是这类连续运动轨迹预测的工业界首选方案，天生适配你的场景需求。可以将状态量设置为[x坐标, y坐标, x方向速度, y方向速度, x方向加速度, y方向加速度]，每次拿到新的输入点就更新状态，预测时直接按目标时间外推状态即可，既可以自动过滤输入噪声，也原生支持速度、加速度特征的计算，实现复杂度低、计算量极小，完全满足手写输入的实时性要求，预测精度远高于固定权重的加权平均方案。
• 二次多项式拟合：实现成本极低的优化方案，拿最近5~10个历史点，以时间戳为自变量，分别对x、y坐标做二次多项式拟合，拟合完成后将你需要预测的时间点代入公式就能得到对应坐标。二次多项式天然覆盖了速度、加速度的变化特征，对手写的曲线轨迹适配性比你当前的差分加权方案好很多。
• 轻量时序模型：如果你的设备端算力充足且有大量历史手写轨迹数据做训练，可以采用单层LSTM或者TCN模型做预测，精度上限更高，但部署和调优成本比前两种方案高，仅适合对精度要求极高的场景。

现有加权方案的低成本优化 #

如果你不想重构现有逻辑，仅调整现有代码就能获得明显的精度提升：

1. 差分要做时间归一化：你当前直接用坐标差计算，没有考虑相邻两个输入点的时间间隔可能不一致的问题，先把坐标差除以对应时间间隔得到速度值后再做加权，结果会准确很多
2. 替换固定权重为动态权重：可以根据最近轨迹的速度波动调整权重分布，速度变化大时给更近的速度更高的权重，速度平稳时拉平权重即可，常用指数加权的方式实现，示例代码如下：

class Point{
    double x;
    double y;
    double timestamp;
};

// 按时间顺序排列的历史输入点
vector<Point> points;
// 要预测的未来时间间隔，单位和timestamp保持一致
double predict_delta_t = 0.008;

// 计算历史各段的归一化速度
vector<pair<double, double>> velocities;
for(int i = 1; i < points.size(); i++){
    double dt = points[i].timestamp - points[i-1].timestamp;
    double vx = (points[i].x - points[i-1].x) / dt;
    double vy = (points[i].y - points[i-1].y) / dt;
    velocities.emplace_back(vx, vy);
}

// 指数加权计算平均速度
double weighted_vx = 0, weighted_vy = 0;
double total_weight = 0;
// 权重增长系数，数值越大越偏向最近的速度，可根据实际效果调整
double weight_grow_factor = 1.3;
for(int i = 0; i < velocities.size(); i++){
    double weight = pow(weight_grow_factor, i);
    weighted_vx += velocities[i].first * weight;
    weighted_vy += velocities[i].second * weight;
    total_weight += weight;
}
weighted_vx /= total_weight;
weighted_vy /= total_weight;

// 生成预测点
Point predictedPoint;
predictedPoint.timestamp = points.back().timestamp + predict_delta_t;
predictedPoint.x = points.back().x + weighted_vx * predict_delta_t;
predictedPoint.y = points.back().y + weighted_vy * predict_delta_t;

内容的提问来源于stack exchange，提问作者user1466885