第1章：轨迹对齐基础

各位同学好，我是老张。今天咱们来聊聊轨迹对齐这个基础话题。说实话，我刚开始做地图可视化那会儿，最头疼的就是数据对齐问题。明明两个设备同时记录轨迹，时间戳却对不上，画出来的路线图简直没法看。

嗯，这一章我会把时间戳对齐、线性插值、重采样这些核心概念讲清楚。你想想看，如果连时间都对不齐，后面的分析都是白搭。

1.1 时间戳对齐原理

时间戳对齐，说白了就是让不同来源的轨迹数据在时间上能对上号。我遇到过最典型的场景：手机GPS和车载OBD设备同时记录行车轨迹，但手机每5秒记录一次，OBD每1秒记录一次。两个数据集的采样频率不同，时间戳自然对不上。

为什么会这样？因为不同设备的时钟精度、采样策略都不一样。有的设备用UTC时间，有的用本地时间，还有的设备时钟漂移严重。我在一个项目中就吃过这个亏——两台设备差了整整3秒，导致轨迹匹配完全错位。

核心原则：时间戳对齐的目标是让所有轨迹点共享同一个时间基准。通常的做法是选择一个主时间轴，然后把其他数据都映射到这个时间轴上。

对齐方式主要有两种：

精确对齐：要求时间戳完全一致，适用于高频采样数据
近似对齐：允许一定时间误差（比如±0.5秒），适用于低频或噪声较大的数据

我个人习惯用近似对齐，因为实际数据很少能做到完美同步。你想想看，两个设备同时按下记录按钮，实际触发时间都可能差几十毫秒。

1.2 线性插值方法

时间戳对上了，但数据点还是不够怎么办？这时候就需要插值了。线性插值是最简单也最常用的方法，我刚开始做轨迹处理时就用它。

线性插值的原理其实很直观：已知两个点A(t1, x1)和B(t2, x2)，想求中间某个时间点t的值，就用直线连接A和B，然后取t对应的位置。公式长这样：

x = x1 + (t - t1) * (x2 - x1) / (t2 - t1)

举个例子：假设t1=0秒时位置是(100, 200)，t2=2秒时位置是(110, 220)。我想知道t=1秒时的位置：

x = 100 + (1 - 0) * (110 - 100) / (2 - 0) = 105
y = 200 + (1 - 0) * (220 - 200) / (2 - 0) = 210

所以t=1秒时的位置就是(105, 210)。很简单对吧？

小技巧：线性插值适用于轨迹变化平缓的场景。如果数据点之间变化剧烈（比如急转弯），建议用更高阶的插值方法，比如样条插值。我曾经在赛车轨迹分析中用过样条插值，效果比线性好很多。

1.3 轨迹重采样

重采样，就是把原始轨迹转换成固定时间间隔的轨迹。比如原始数据采样间隔不固定（有时1秒，有时3秒），重采样后变成每2秒一个点。

为什么要做重采样？因为很多算法要求输入数据是等间隔的。我记得有一次做轨迹聚类，数据间隔乱七八糟，聚类结果完全不对。后来做了重采样，问题就解决了。

重采样的步骤：

确定目标采样间隔（比如1秒、2秒或5秒）
生成新的时间轴（从开始时间到结束时间，按固定间隔取点）
对每个新时间点，用插值方法计算对应的位置

代码实现也很简单：

import numpy as np

def resample_trajectory(times, positions, target_interval=1.0):
    # 生成新的时间轴
    new_times = np.arange(times[0], times[-1], target_interval)
    new_positions = []
    
    for t in new_times:
        # 找到t前后的两个原始点
        idx = np.searchsorted(times, t)
        if idx == 0:
            new_positions.append(positions[0])
        elif idx == len(times):
            new_positions.append(positions[-1])
        else:
            # 线性插值
            t1, t2 = times[idx-1], times[idx]
            p1, p2 = positions[idx-1], positions[idx]
            ratio = (t - t1) / (t2 - t1)
            new_pos = p1 + ratio * (p2 - p1)
            new_positions.append(new_pos)
    
    return new_times, np.array(new_positions)

注意：重采样会丢失原始数据中的高频信息。如果原始数据采样频率很高（比如100Hz），重采样到1Hz会丢失很多细节。我曾经在分析运动员跑步轨迹时，把100Hz的数据重采样到10Hz，结果步态特征全没了。所以采样间隔的选择要慎重。

1.4 对齐后的数据验证

数据对齐完了，怎么知道对不对？不能光看代码跑通了就完事。我一般会做以下几项验证：

时间范围检查：对齐后的时间轴是否覆盖了原始数据的时间范围？有没有出现时间倒流的情况？
位置合理性检查：插值后的位置是否在合理范围内？比如GPS坐标突然跳到了海里，那肯定有问题。
速度一致性检查：计算相邻点之间的速度，看是否在合理范围内。如果出现超光速的情况，那插值肯定出错了。
可视化检查：把原始轨迹和对齐后的轨迹画在一起，肉眼看看是否吻合。这是最直观的方法。

我曾经遇到过一个坑：对齐后的轨迹看起来没问题，但计算距离时发现比实际路程短了很多。后来发现是插值方法选错了——应该用球面插值，我却用了平面插值。嗯，这个教训让我记住了：验证不能只看表面。

验证清单：

✅ 时间戳单调递增
✅ 位置在合理地理范围内
✅ 速度不超过物理极限
✅ 轨迹形状与原始数据一致
✅ 缺失数据比例低于阈值（比如5%）

知识体系总览

下面这张图展示了本章的知识结构，我画了个流程图帮你理清思路：

好了，这一章的内容就到这里。轨迹对齐看起来简单，但实际做起来坑不少。我建议你动手写代码试试，用真实数据跑一遍，遇到问题再回来翻翻这一章。记住，数据验证这一步千万别省，不然分析结果可能全是错的。

📚 课程目录

第1章：轨迹对齐基础

1.1 时间戳对齐原理

1.2 线性插值方法

1.3 轨迹重采样

1.4 对齐后的数据验证

知识体系总览