机器学习算法有很多种方法，用于纯数据驱动的预测方法。既然你已经完成了机器学习课程，
我们不会深入研究这些技术。但在这个视频中，我想向您展示一个具有代表性的例子，这些算法擅长什么 - 轨迹聚类。
与所有数据驱动的预测技术一样，会有两个阶段。算法从数据中学习模型的离线训练阶段和在线预测阶段，
它使用该模型来生成预测。我们先来讨论一下离线人脸。
第一步是获取大量的数据，可能会通过在相交处放置静态相机来实现。然后，我们必须清理数据，因为我们有些汽车
在处理步骤中观察可能被遮挡或出现其他问题。所以我们需要丢弃不好的数据。
一旦数据收集和清理完毕，我们会留下一堆看起来像这样的轨迹。
接下来，我们需要定义一些数学测度轨迹相似性，有很多方法可以做到这一点，但直观上我们想要的
说这样一个红色的轨迹更多，类似粉红色的这一个，而不是蓝色的这个，尽管它们是红色和蓝色的轨迹重叠
比红色和粉色更接近一段时间。如果您有兴趣了解更多信息，我将包括一篇论文的链接，详细讨论相似度度量，
但是一旦我们有了相似性度量，我们就可以使用机器学习算法如凝聚聚类或谱聚类聚类这些轨迹。
在四路站点交叉路口的情况下，我们预计会看到12个集群，因为每个集群都是这样四个停车标志车可以做三件事之一：右转，
直行或向左转。所以如果我们只看四个停车标志中的一个，我们期望看到左转弯的一组轨迹，直行，然后右转。
请注意，在某些情况下，您可能会获得更多的群集。例如，如果该车道由交通灯控制而不是停车，
您的群集算法可能会创建两倍的群集。其中三人没有穿过路口停下来，其中三人首先停在红绿灯处。
一旦轨迹被分组为簇，定义每个集群的原型轨迹是非常有用的。
对于左转集群，也许这三个轨迹是一个很好的模型。
它们提供了一个紧凑的表示左转通常看起来像在这个交叉点。在这一点上，我们有一个典型的汽车行为在这个交叉点的训练模型。
下一步是在道路上使用此模型来实际生成预测。
