k-nn在軌跡數據采樣率合適的情況下，用于路網映射的子流程中；下面將介紹k鄰近算法的基本概念和算法實現方式；
1.對于給定的訓練集合{(x1,y1),(x2,y2）.......(xn,yn)}其中，y為不同的類別，而k鄰近算法所起的作用為，對于給定的訓練集合，當給定新的輸入x時，通過k鄰近算法為其分配一個對應的類；
2.一個k鄰近模型有三個要素；
1）距離的度量
對于給定的x要求出他到達最近k個訓練點的距離，然后根據這k個點，依據某種決策規則，來預測x的類別；多數情況下取得是x-xi的二范數，值得注意的是，不同度量的選取會影響k個近鄰點的選取
2）k值得選取
如上，k的選擇會對k近鄰發的結果產生較大的影響，具體表現在：
k較小時，近似誤差小，估計誤差較大
k較大時，近似誤差大，估計誤差較小
3）分類決策規則
k近鄰算法的分類決策往往是多數表決，也就是把輸入實例的k個近鄰的訓練實例中的多數類決定實例的類。
3.k近鄰算法的實現：kd樹
kd樹是一種類似于R樹的屬性結構，但是我覺得他比R樹要簡單，他的具體構造過程就是先選取一個和訓練集x的維數k相同的超平面矩陣，首先，根結點是包含所有訓練集的超平面矩陣，然后，選取x某個維的中值，來進行劃分，分為左右子結點，再對左右子結點進行遞歸操作，指導無法再分為止。
下面我將介紹兩種kd樹常用的算法：
1）構造平衡kd樹：
輸入：k維訓練集
輸出：kd樹
Step1：構造根節點，其對應包含所有訓練集的k為超矩陣區域
step2：對于給定的結點，選取x的維的中值，在該緯度上，進行垂直劃分，得到左右結點
step3：對于左右子結點進行遞歸操作，終止條件為不可再分時
2）用kd樹實現最近鄰搜索
輸入：kd樹，目標點x
輸出：x的最近鄰
step1：在kd樹中找到包含x的葉子結點，從根結點出發，向下訪問kd樹，到達葉子結點為止
step2：把得到的葉子結點作為當前最近點。
step3：遞歸向上回退，執行以下操作：
1.如果結點所保存的實例點比當前最近點更近，那么把改點作為當前最近點
2.當前最近的點一定存在于該節點的一個子結點對應的區域，檢查該區域的另外一個子節點是否有更近的點，并檢查以目標點和當前最近的點的距離為半徑的超球體相交，如果相交，那么可能純在另外一個子節點對應區域內存在距離目標點更近的點，移動到另外一個子節點，然后進行遞歸的最近鄰搜索
如過不相交，則向上回退
step4：當回退到根節點時，搜索結束，最后的‘當前最近點’即為x的最近鄰點
