并非所有模型都对数据规范化敏感。例如，具有批处理规范层的模型具有固定激活分布的内置机制。其他人则更敏感，甚至可能因为缺乏归一化而出现分歧（例如，尝试在 CIFAR-10 数据集上使用训练图像训练 CNN，其中像素在范围内$[0, 255]$）。

但我不知道有任何模型会受到数据规范化的影响。因此，即使房屋预测模型（顺便说一句，究竟是哪一个？）可能无法做到这一点，但如果数据被标准化，该模型可能会有所改善，您也应该这样做。

GPS 数据大致有以下界限：纬度在$[-100, 100]$, 经度在$[-200, 200]$. 人口稠密区域的坐标要窄得多，但假设这些广泛的范围并不是什么大不了的事。这意味着转型...

...将确保纬度在$[-1, 1]$经度在$[-2, 2]$（而且很可能在$[-1, 1]$以及），这对于深度学习来说是相当稳健的范围。转换很简单（numpy只需要一行代码）并且不需要您从训练数据中计算统计数据。

我认为Maxim的答案没有错，但可能会产生误导。当您将 lon、lat 值用于车辆停止分类等任务时，您可能会寻找一个标准化空间，在那里您可以简单地学习距离、速度或加速度等潜在特征。经度和纬度值的问题在于，您不能简单地推断出距离。一个$\Delta(lon, lat)$会导致不同的距离，具体取决于您是在赤道还是在极圈之一。对于您的任务，我会推荐Jan van der Vegt的这个答案提出的一些建议：

x = cos(lat) * cos(lon)
y = cos(lat) * sin(lon), 
z = sin(lat) 

然后可以适当地标准化这些特征。