1. 轨迹回放基础：什么是轨迹回放、应用场景、核心数据模型

大家好，我是老张。做轨迹回放这块有些年头了。今天咱们聊聊最基础的东西——轨迹回放到底是什么。

说白了，轨迹回放就是把一个物体在空间里移动的过程，按照时间顺序重新播放出来。你想想看，就像看一段录像，只不过录像记录的是画面，轨迹回放记录的是位置和时间。

1.1 什么是轨迹回放

我习惯这么定义：轨迹回放 = 空间位置 + 时间戳 + 可视化呈现。三个要素缺一不可。

举个例子。你打开手机地图，看到外卖小哥的实时位置，那是实时追踪。但如果你把过去一小时小哥的每个位置点串起来，按时间顺序播放，这就是轨迹回放。

嗯，这里要注意：轨迹回放不是简单的点连成线。它必须包含时间维度。没有时间，你看到的只是一堆静止的点，不是轨迹。

1.2 应用场景

我在项目中遇到过各种各样的轨迹回放需求。总结下来，主要有三大类：

物流配送

这是最常见的场景。我记得有一次给一家快递公司做系统，他们每天要追踪几万辆配送车的行驶轨迹。回放这些轨迹，能帮他们分析配送路线是否合理、有没有绕路、每个站点停留了多久。

• 路线优化：回放历史轨迹，找出最优配送路径
• 时效监控：检查包裹是否在规定时间内送达
• 异常检测：发现偏离路线、长时间停留等异常行为

出行服务

网约车、共享单车、公交地铁，都在用轨迹回放。我做过一个网约车项目，乘客投诉司机绕路，我们就调出轨迹回放，一帧一帧地看，到底走了哪条路、有没有多跑。

• 费用核算：根据实际行驶轨迹计算里程和费用
• 安全监控：回放事故前后的轨迹，还原事故过程
• 调度优化：分析历史轨迹，预测未来需求热点

体育竞技

这个场景很有意思。运动员的跑动轨迹、球的运动轨迹，都可以回放分析。我曾经帮一个足球俱乐部做过球员跑动热力图，就是基于轨迹回放数据生成的。

• 战术分析：回放球员跑位，分析战术执行情况
• 体能评估：统计跑动距离、速度变化、冲刺次数
• 裁判辅助：回放争议球，判断是否越位、出界

1.3 核心数据模型

做轨迹回放，数据模型是地基。地基不稳，上面盖什么都白搭。我刚开始做的时候，就吃过数据模型设计不合理的亏。

点（Point）

点是最基本的单元。每个点包含经纬度坐标，可能还有高度、速度、方向等信息。

{
  "latitude": 39.9042,    // 纬度
  "longitude": 116.4074,  // 经度
  "altitude": 50.0,       // 海拔（可选）
  "speed": 12.5,          // 速度 m/s（可选）
  "bearing": 180.0        // 方向角（可选）
}

线（Line）

线是点的集合，按时间顺序排列。但线不仅仅是点的连线，它还包含了路径信息。

{
  "id": "TRACE_001",
  "points": [
    {"lat": 39.9042, "lng": 116.4074, "time": "2024-01-01 10:00:00"},
    {"lat": 39.9050, "lng": 116.4080, "time": "2024-01-01 10:00:05"},
    {"lat": 39.9058, "lng": 116.4086, "time": "2024-01-01 10:00:10"}
  ],
  "distance": 150.0,      // 总距离（米）
  "duration": 10.0,       // 总时长（秒）
  "avg_speed": 15.0       // 平均速度（m/s）
}

时间戳（Timestamp）

时间戳是轨迹回放的灵魂。没有时间戳，你只能看到静态的线，无法回放。

1.4 知识体系总览

下面这张图，是我自己总结的轨迹回放知识体系。你看一眼，心里就有数了。

这张图把轨迹回放的三个核心要素、各自的属性、应用场景和核心价值串起来了。你仔细看看，会发现所有轨迹回放的问题，都能在这张图里找到答案。

好了，这一章就聊到这儿。轨迹回放的基础概念、应用场景和核心数据模型，咱们都过了一遍。下一章，我会讲讲轨迹数据的采集和预处理，那才是真正开始动手的地方。