问题：给定大量的出租车时间轨迹序列，分析出正常的行驶轨迹序列。
时间轨迹序列的提取：出租车轨迹
（1）GPS原始数据是<longitude,latitude,timestamp>→(x,y,t)。但是GPS是有噪声的，而且车辆可能趴活。因此要合理提取行驶轨迹用到如下策略
a) ΔT，定义最大时间间隔，如果2个连续GPS记录pi(xi,yi,ti)和pi+1(xi+1,yi+1，ti+1)的时间间隔大于ΔT，那么在ti时刻分割这个时间序列，即作为不同的行驶轨迹。
b) 给定时间间隔Δt，以及Δdistance。如果当前点与上一点距离Δd>Δdistance,那么该点作为上一个轨迹的终点，下一个轨迹的起点。（在实践中，使用的是，上一个点作为终点，当前点作为下一个轨迹的起点）
在实际大量的出租车轨迹中，由于上传数据，存在出租车ID相同的情况，因此有必要区分。
方法1：发现轨迹异常，即存在ID冲突，几乎同一时刻点的车辆出现在2个或2个以上的坐标位置，把该ID异常数据全部清除。
方法2：不清除数据，而是进行简单分类。发现异常数据，把异常数据，进行分类，即通过聚类找到该异常数据合适的类别。假设存在实际上是2个车辆的轨迹<p1,p1',p2,p3,p2',p3',p4,p5,p6,p4'>,在p1'时发现数据异常，此时只有一个类别cluster1{p1},因此需要新创建一个类别cluster2{p1'}。当分析p2时，因为p2与当前类的前一个序列点p1’有异常，那么判定p2是否属于其他类，最后，将p2分类到p1中。此时cluster1{p1,p2},cluster2{p1'}，重复上述过程，可以得到cluster1{p1,p2,p3,p4,p5,p6},cluster2{p1',p2',p3',p4'}
方法1的缺点是：可能只有少部分错误，但却弃掉了大部分有用的数据；方法2，可能不能正确的分类，如果上述例子中p2，既可以属于cluster1，也可以属于cluster2，则无法正确分类。即，如果有相同的车辆ID上传数据，而且两辆车在物理距离上也很相近，那么该方法失效。
实践中，采用的是方法2。
这是某天凌晨到凌晨3点形成的出租车行驶轨迹图：
