1.0完成了统计学模型、torch二分类，但与业界（网易游戏）前沿有差距，预期3｜4泛化调研，5月份确定方案
方案拟定：统计学特征增加（概率分布）｜熵编码训模型｜数据点绘图->图算法
1. 基于统计特征
速度、加速度、时间间隔、轨迹形状、三线夹角、点分布、左右手
2. 机器学习与深度学习
随机森林分类器：可以使用 scikit-learn 库中的随机森林算法，通过提取轨迹数据的特征（如速度、加速度、时间间隔等）进行训练和分类。
LSTM（长短期记忆网络：由于轨迹数据是时间序列数据，LSTM能够很好地捕捉时间序列中的长期依赖关系，适用于区分真实轨迹和伪造轨迹。
XGBoost模型：通过计算轨迹数据的特征向量，并输入到XGBoost模型中进行训练和预测，可以有效识别伪造轨迹。
3. 基于图结构数据的方法
利用图结构数据和图学习技术，可以捕捉轨迹之间的关联特征.轨迹图转成3通道的二值化的图像，然后用图像分类模型，比如resnet、vgg，可以较好实现重合、相似计算。
4. 数据编码的方法
5. 实现记录
5.1 轨迹分析脚本
2.0优先构建可视化能力，用于分析和可解释性
速度、加速度、角度、点间耗时等绘制概率分布
5.2 轨迹墒
能量越高的地方表示数据点越多
