C++博客-冗余的代码

图中将一个月内所有从起点到终点的出租车轨迹绘制在地图上，其中红圈标出为起点，蓝圈标出为终点。从图中可知，大多数出租车司机采用B路线到达目的地，即在艮秋立交上高架，在清江立交下高架抵达江边目的地，该路线在大部分情况下时间最短。但也有少数司机出于各种原因采用了不同的路线。例子中被投诉的出租车采取了A路线，即绕行石德立交上高架，该路线较正常B路线多行驶3-4公里，多收取乘客10元左右。也有少部分司机采取C路线，这条路线较正常路线近1-2公里。有部分司机走D路线抵达终点，这条路线与B路线距离大致相当，但由于地面道路红绿灯较多故采用的司机较少。综上可见，不同的司机会由于各自的原因采取不同的行驶习惯，使得绕路轨迹无法用单一的分类方法进行判定。

从分析中可知，绕路行为是轨迹异常的一种表现，但不完全等同于轨迹异常，它是一种特殊的轨迹异常。图中C、D路线也能判定为轨迹异常，但不属于绕路行为，因为在行驶距离上并无特殊之处。A路线的问题在于，它在局部产生大于正常行驶距离的轨迹，因此被乘客投诉也不为过，我们应当将此类在图形上“异常”，且在局部产生非正常行驶距离的轨迹归为绕路轨迹。

2.异常轨迹判定

轨迹异常（Trajectory anomaly detection）是近年来轨迹分析中相当热门的一个话题，在许多社会问题与科学研究中得到广泛应用，例如野生动物的迁徙，恶劣天气的演变，交通整体态势等。
轨迹异常问题存在几个不易解决的难点，表现在:
1.轨迹异常的定义。如绕路问题中，什么是图形异常？非正常行驶距离的阈值应该取多少？这些都是应当被形式化定义的。换句话说，很多情况下轨迹异常取决于对实际问题的理解。
2.传统的分析异常算法往往采取聚类方法，而基于密度的聚类是全局的，在轨迹相关的问题中，不同的轨迹密度相差非常大，使得基于密度的问题参数设置变得不可能。而若当采用分类方法，如何正确的分类也成为了难题。
3.GPS轨迹由于采样点、设备原因，本身存在数据不完整的情况，长距离的轨迹缺失需要纳入考虑。