Geometry 机器学习路径的良好特性

我正在研究由坐标（GPS）组成的路径的ML问题（主要是密度估计和异常检测）。除了坐标本身、三角洲（相邻坐标点之间的变化）和极坐标之外，还有什么其他好的特性？哪些功能使直线度、曲线度、平滑度和循环度等直观属性明确化？

对于直线度/曲线度，您可能需要计算曲线的近似一阶导数，对于平滑度，则计算二阶导数和更高的导数。

---

如果“循环”是指多次返回某个位置的趋势，例如，您可以计算有多少段彼此相交。

这对于statistics SE站点可能更好，尽管这里有一些计算机视觉人员。您可能应该澄清您的问题-询问“良好特性”可能会导致此问题的结束。或者您可能希望将其标记为迁移到statistics.SE，而毫无疑问，统计人员可以提供一些见解；我认为有更多不同的人群可以从不同的领域回答这个问题。（我并不是真的在问一个统计问题，比如如何对这些特性建模。）我认为这个问题已经提出了——哪些特性为我们在路径中感知到的直观属性提供了明确的值（我不知道如何表达）。不管怎样，这都是一个很难回答的问题（我正在研究这个问题），我只是想看看是否有人有任何见解无意冒犯，但你可能在ML方面找错了方向。统计学和计算机视觉是与你的主题最相关的两个领域：密度估计、异常检测、曲线检测、路径检测，还有更多。例如，有一些从事动物运动分析的统计人员，这就是为什么我认为它与计算机视觉人员一起在这里很有用的原因。然而，如果你不在stats.SE上发布，你就错过了统计天赋。最好专注于专业知识，而不是寻找ML解决方案。（续）基本上，专注于问题域和用于此类问题的工具，而不是试图为错误的问题找到ML锤子。对于空间和路径建模，有比使用通用机器学习工具包重新开始更好的工具和方法。ML很吸引人，但随着你对它的深入了解，你会发现困难的问题最好用非常具体的工具来解决。出于好奇，你也可以尝试@Junier，你是否最终对这些数据进行了ML？