先搜索、后假设，为何会发现不同的东西
假设驱动的研究从一个具体猜想出发——比如船舶会避开某种冰型——然后收集刚好够检验它的数据。数据驱动的研究则把顺序反过来：先取用一份关于事物去了哪里、何时去的大量既有记录，让记录中的结构提示什么才重要。一项对五个冰情数据集的比较就采用了这条路线，利用大规模环境数据，通过数据集之间的相似性来识别导航模式，而不是从预设问题出发[1]。同样的逻辑也出现在城市交通中：一个基于大规模行车记录仪图像构建的挖掘模型提取时空模式用于导航，而不是检验固定的路线假设[2]。
实际差别在于覆盖范围。假设驱动的设计只能确认或否定某人已经想到的路线和条件。挖掘大量记录则能浮现出各种组合——一天中的某个时段、某个地点、某种环境条件——这些组合此前没人有理由单独挑出来研究[1][2]。
发现的模式实际上是什么样子
输出通常不是某个戏剧性的单一发现，而是在大量观测中反复出现的结构。在城市交通研究中，结果是一种“时间加权”的时空模式——意思是模型更重视路线在何时被使用，而不只是它通向哪里，因此同一条道路在不同时段可能承载不同的导航含义[2]。在冰情比较中，有用的信号是数据集之间的相似性：行为相似的地区或条件，作者将其与局部导航决策和区域尺度趋势监测联系起来[1]。
环境追踪会产生类似形态的模式。一项研究利用保加利亚的卫星导航位移数据，揭示了陆地水储量的季节性模式，并将其与独立的水文和重力数据集进行比较[3]。结果的形态相同：从长期传感器记录中提取一个重复周期，再用其他测量来检验，而不是直接假定。
发现的模式何时值得信任
从大数据集中挖掘出的模式，其可信度取决于旁边放着的检验。蓄水研究很有启发性，因为季节信号是与独立数据集比较的，正是这一步把图表上的一条曲线变成了对实际情况的约束[3]。冰情数据集的比较同样通过相互评估数据集的适用性，因此所谓“模式”实际上是对哪个数据源能支持哪类决策的判断[1]。
这正是观察与解释之分的关键所在。时间加权的路线模式表明某些路线在某些时段反复出现；它本身并不表明司机或船舶为何选择它们[2]。同样，一篇关于船舶导航行为挖掘的综述梳理了从船舶轨迹中提取模式的数据源、标注数据集和建模框架，但将其定位为服务于安全、安保和环境保护的工具与应用，而非任何特定导航成因的证明[4]。诚实的解读是：数据驱动的挖掘提出候选解释；后续工作必须检验它们。
本文引用的文献
冰情数据集比较分析：为冬季航行决策支持模型提供参考
以数据驱动方法比较五个冰情数据集，通过数据集之间的相似性识别导航模式，并支持区域尺度趋势监测和局部导航决策。
融合场景数据的时空挖掘用于城市交通导航
将挖掘模型应用于大规模行车记录仪图像，构建用于城市交通导航的时间加权时空模式。
利用全球导航卫星系统（GNSS）位移监测保加利亚陆地水储量，并与GLDAS、GLWS和GRACE进行比较……
GNSS位移数据在与独立的水文和重力数据集比较时，揭示了保加利亚陆地水储量的季节性模式。
船舶导航行为模式挖掘：表示与智能方法
一篇综述梳理了从船舶轨迹数据中挖掘模式的数据源、标注数据集、建模框架和应用，面向安全、安保和环境保护。
Egocognav：认知感知的人类第一人称导航
一个约六小时的认知感知第一人称导航数据集产生了导航模式向量，旨在捕捉反复出现的人类导航行为。