Отфильтровать шум в данных?

Из координат и времени можно получить скорость и направление движения ТС
Фильтрация будет заключаться в том, что бы убрать точки в которых скорость выше нормальной и/или направление кратковременно меняется на недопустимый угол.

Какими алгоритмами ( вероятно машинного обучения) можно отфильтровать эти данные?

Методы машинного обучения модные среди IT-шников, но ... зачастую бессмысленные и бесполезные в цифровой обработке сигналов (DSP). Там на это дело есть настолько много приёмов и методов фильтрации шума, начиная от классики спектральных преобразований и цифровой фильтрации, и до новомодных штучек типа вэйвлет-преобразований и авторегрессионных фильтров. ... настолько много, что и что-то конкретно указывать не хочется, не видя детально сигнала. А результаты бывают просто ошеломляющие.

Возьмите книжки по цифровой обработке сигналов, а ещё лучше - найдите в близком окружении советчиков из числа занимающихся вопросами цифровой обработки сигналов (часто это в кругах прикладной науки при университетах).

Для этого существует Фильтр Калмана.

Наглядный пример возможностей фильтра — получение оптимальных, непрерывно обновляемых оценок положения и скорости некоторого объекта по результатам временно́го ряда неточных измерений его местоположения.

Фильтр Калмана — это, наверное, самый популярный алгоритм фильтрации, используемый во многих областях науки и техники. Благодаря своей простоте и эффективности его можно встретить в GPS-приемниках, обработчиках показаний датчиков, при реализации систем управления и т.д.

Последняя цитата отсюда. А эта статья окончательно снимает все вопросы.

Если хочется велосипеда, можно сделать так.
1) вводите модель шума. Например, "с вероятностью 90% ошибка распределена по Гауссу с сигмой 15 м, а с вероятностью 10% точка может быть где угодно".
2) для набора из 3, 4 или 5 последовательных точек (x,y,t) вводите критерий - насколько вероятно, что каждая из этих точек попала в 90% (с учётом технических возможностей автомобиля и возможной кривизны дороги). Определяете штраф, который тем больше, чем меньше вероятность. Определяете также штраф за то, что точка попала в 10%.
3) просматриваете точки и перебираете варианты, какие точки попали в 90%, какие нет (динамическим программированием по маске последних попавших точек). Цель - найти вариант с наименьшим штрафом.
4) к этому моменту точки разделены на хорошие (которые описываются гауссовым шумом) и плохие. Берёте хорошие точки и проходите по ним каким-нибудь сглаживающим фильтром. Правда, его придётся подбирать так, чтобы он учитывал возможность поворота под прямым углом.
Это годится для точек, снятых с одной машины. Если точек много, они образуют широкую полосу, и информация, откуда они взялись, потеряна, то нужны какие-то другие методы.

А если велосипед изобретать не хочется - изучайте, что такое фильтр Калмана. Может быть, вам повезёт. Лично я предпочту велосипед (кажется, конкретно эта или похожая модель называется методом Виттерби - но может быть, и нет).

Алгоритм усреднения статистических значений: habrahabr.ru/post/134375