特征工程：将360°方向变量输入神经网络的最优方法

你提到的8方位硬分箱方案属于粗粒度离散处理，会损失连续方向精度，且分箱边界两侧的角度（比如22.4°和22.6°）明明距离极近却被划到完全不同的类别，反而会引入额外偏差，并不是最优选择。下面是工业界更常用的处理方案和实操建议：

• 首选方案：正余弦循环编码
  这是处理环形周期变量的通用标准方案，完全解决360°和0°首尾跳变的问题，且不会损失连续信息。操作非常简单：先把0~360°的角度值θ转为弧度制，再拆成两个正交的连续特征输入模型即可：
  • 正弦分量：sin(θ * π / 180)，取值范围固定在[-1, 1]
  • 余弦分量：cos(θ * π / 180)，取值范围固定在[-1, 1]
    转换后359°和1°对应的两个分量在二维平面上的欧氏距离极近，和实际方向的物理距离完全匹配，不存在首尾割裂的问题，适配所有普通神经网络结构（MLP、CNN、Transformer等），不需要修改模型结构。
• 备选方案：环形软分箱编码
  如果你的任务本身需要保留方位语义、且希望模型对小的角度测量误差有更强鲁棒性，可以用软分箱代替硬分箱：先根据需求设置N个方位锚点（比如8方位、16方位都可以），计算当前角度到每个锚点的环形最短距离，再通过高斯核等方式把距离转换为隶属度权重，最终输出一个长度为N的向量，每个维度对应当前角度属于该方位的权重。比如角度为2°时，北方位的权重最高，东北方位次之，其余方位权重接近0，既保留了方位的可解释性，也不会出现硬分箱的边界跳变问题。

实操避坑提示 #

• 绝对不要直接把0_{360°原始角度做min-max归一化到0}1区间输入普通神经网络：普通全连接层、卷积层都默认特征是线性连续分布，会把归一化后的0和1判定为特征空间中距离最远的两个点，和角度的环形分布逻辑完全冲突，这就是你提到的输入偏差的核心来源。
• 用正余弦编码时必须两个分量同时输入：单独输入sin或cos值会存在方向二义性，比如sin30°和sin150°取值完全一致，但对应的方向差了120°，两个分量组合才能唯一确定一个方向。
• 如果任务需要输出预测角度，用正余弦编码时可以把输出层设为两个神经元分别预测sin和cos值，推理时通过arctan2(sin_pred, cos_pred)就能把输出转换回0~360°的角度值，精度远高于直接做多分类的硬分箱方案。
• 硬分箱方案只适合方向精度要求极低、且方位边界本身就有明确业务定义的场景，只要没有强业务要求必须输出离散方位类，优先选正余弦编码。

内容的提问来源于stack exchange，提问作者Manu Terion