多元数据的问题之一是决定并解释一个合适的计算距离的度量标准，因此聪明但有点难以解释的概念，如马氏距离。但在这种情况下，选择肯定是显而易见的——欧几里得距离。我建议使用一个简单的启发式算法，例如：

1. 计算数据点的（未加权）质心，即2个坐标的（未加权）均值
2. 计算所有读数与质心的欧几里得距离
3. 排除任何超过一定距离的读数（根据您对技术的经验和知识来确定，或者未能通过反复试验交叉验证 - 100m、1km、10km??）
4. 计算剩余点的两个坐标的加权平均值，通过 HDOP 分数的倒数加权（或它的一些单调函数 - 我快速查看了问题中链接的维基百科页面，并认为您可能不需要这样一个功能，但我需要进一步研究它以确定）

显然有几种方法可以使这个变得更复杂，例如降低异常值的权重或使用M 估计器而不是简单地排除它们，但我不确定这种复杂性在这里是否真的有必要。

Rob Hyndman 最近提出了一个关于在多元数据中检测异常值的问题。答案可能会提供几种可能的方法（否则，您可能希望将查找二维异常值的问题放在单独的问题中）。

您可以逐个组件平均剩余的 GPS 数据组件 - 将所有第一个组件相加并除以点数，这将为您提供平均值的第一个组件。与第二个组件相同。

这种平均可以通过 HDOP 加权。将第一个分量的乘积相加，乘以相应的 HDOP 分数，然后将总和除以 HDOP 分数的总和。与第二个组件相同。

我会冒昧地删除“正常分布”标签......

将 HDOP 称为自变量。稍后将其用于加权。所以你有一组坐标——称之为 (x1,y1); (x2,y2) 等...首先忽略异常值。将 x 坐标的加权平均值计算为 [(x1*h1)+(x2*h2) +....+ (xn*hn)] / [sum(h1,h2,...,hn)]其中 h1,h2,... 是 HDOP 值。对 y 坐标执行相同的操作。这将为每个坐标提供相当准确的平均值。

处理异常值可能有点棘手。你怎么知道它们是否是异常值？严格来说，您需要确定观测值的统计拟合，并在置信区间内确定它们是否真实。看着毒药分布的问题确实浮现在脑海中。但这可能是很多工作，我敢肯定你不想进入这个。也许使用近似值？假设您假设平均坐标值是一个很好的使用方法。然后确定标准偏差的值。我认为标准开发或毒物分布是 1/（均值）。然后使用正态分布和 95% 置信区间进行近似。假设观察值超出区间（mean-*1.645*std dev ; mean + 1.645*std dev）那么它是异常值吗？试一试。