如何将地理方向角度作为机器学习预测器避免360°与1°的数值断裂？

针对地理角度作为机器学习特征时存在的0°（360°）与1°数值差异大但物理意义相近的断裂问题，以下是几种实用的解决思路：

• 三角函数转换（最通用方案）
  将角度转换为正弦和余弦值，把一维的角度值映射到二维的单位圆坐标上，从根源消除数值断裂。
  具体操作：先将角度转为弧度（radians = angle * π / 180），再计算sin(radians)和cos(radians)，用这两个值替代原始角度作为模型输入。
  0°（360°）的sin值为0、cos值为1，1°的sin≈0.017、cos≈0.9998，二者在二维空间中的距离非常近，模型能准确捕捉到这种连续性。

• 离散方向直接做类别特征
  如果你的角度是离散的方向（比如北、东北偏北这类预定义方向），无需转为角度数值，直接将方向作为类别特征处理：

  • 若类别数量少，用独热编码；
  • 若类别有顺序性（比如方向按顺时针排列），可以用嵌入层学习连续的类别表示，自然避免数值断裂问题。

• 周期性角度差转换
  如果任务关注的是角度的相对变化（比如预测风向偏移、轨迹转向），可以将原始角度转换为周期性的角度差：
  计算两个角度的差值后，对360取余，若结果大于180则减去360，将差值范围限制在[-180°, 180°]。比如360°与1°的差值会被转换为1°（或-359°处理为1°），数值上符合物理意义的连续性。

• 圆形距离特征替代
  若任务核心是衡量样本角度与关键参考方向的接近程度，可以用圆形距离替代原始角度值：
  计算角度到参考方向的最小环形距离，公式为min(abs(angle - ref_angle), 360 - abs(angle - ref_angle))。比如0°和360°到北（0°）的距离都是0，1°到北的距离是1，完全消除了数值断裂。

内容的提问来源于stack exchange，提问作者Mathias Quetschlich