NGSIM数据集特征提取-对数据添加特征，筛选出换道车辆

最新推荐文章于 2023-11-20 21:48:43 发布
最新推荐文章于 2023-11-20 21:48:43 发布
阅读量2.7k 收藏 44
点赞数 5
分类专栏： NGSIM 文章标签： python ngsim
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51607165/article/details/124423314
版权

1.对数据添加特征

对数据添加特征：前后帧localx,localy之差，以及除以0.1，得到车辆的侧向加速度

#!/usr/bin/env python
# coding: utf-8

# In[1]:


import csv
import pandas as pd
f=pd.read_csv("./trajectories-0750.csv")


# In[2]:


local_x=f[["Vehicle_ID","Local_X","Local_Y"]]
local_x


# In[3]:


x=[]
y=[]
x_v=[]
y_v=[]
for i in range(len(local_x)):
    if i==0:
        x.append('none')
        x_v.append('none')
        y.append('none')
        y_v.append('none')
    else:
        if local_x.Vehicle_ID[i]==local_x.Vehicle_ID[i-1]: 
            x.append(local_x.Local_X[i]-local_x.Local_X[i-1])
            x_v.append((local_x.Local_X[i]-local_x.Local_X[i-1])/0.1)
            y.append(local_x.Local_Y[i]-local_x.Local_Y[i-1])
            y_v.append((local_x.Local_Y[i]-local_x.Local_Y[i-1])/0.1)
        else:
            x.append('none')
            x_v.append('none')
            y.append('none')
            y_v.append('none')


# In[4]:


dic={'x':x,'x_v':x_v,'y':y,'y_v':y_v}
df = pd.DataFrame(data=dic)
df


# In[5]:


new_f=pd.concat([f,df],axis=1)
new_f


# In[6]:


new_f=new_f[new_f["x_v"]!='none']
new_f=new_f.rename(columns={'x_v':'x_a'})
new_f


# In[7]:


new_f.to_csv("./算法.csv",index=False)


# In[8]:


train_data=new_f[['Vehicle_ID','Local_X','Local_Y','v_Class','v_Vel','v_Acc','x_a','Lane_ID']]
train_data


# In[ ]:

2.数据筛选-筛选出换道以及直行车辆

#!/usr/bin/env python
# coding: utf-8

# In[1]:


import csv
import pandas as pd
f=pd.read_csv("./算法.csv")
f


# In[2]:


Vehicle_ID=f['Vehicle_ID']
Vehicle_ID_LIST=[]
for i in range(len(f)):
    if Vehicle_ID[i] not in Vehicle_ID_LIST:
        Vehicle_ID_LIST.append(Vehicle_ID[i])
Vehicle_ID_LIST


# In[3]:


len(Vehicle_ID_LIST)


# In[4]:


ID=f[['Vehicle_ID','Local_X','Local_Y','Lane_ID','x','x_a','y','y_v']]
ID


# In[5]:


change_vehicle_id=[]
change_vehicle_row=[]
# change_vehicle_row40=[]
TR_row=[]
TL_row=[]
TR_vehicle_id=[]
TL_vehicle_id=[]
for i in range(len(f)):
    if i==0:
        continue
    else:
        if ID['Vehicle_ID'][i]==ID['Vehicle_ID'][i-1] and ID['Lane_ID'][i]!=ID['Lane_ID'][i-1]:
            if ID['Vehicle_ID'][i] not in change_vehicle_id:
                change_vehicle_id.append(ID['Vehicle_ID'][i])
#             change_vehicle_row40.extend(a for a in range(i-39:i-1))
            change_vehicle_row.append(i-1)
            change_vehicle_row.append(i)
        if ID['Vehicle_ID'][i]==ID['Vehicle_ID'][i-1] and ID['Lane_ID'][i]==ID['Lane_ID'][i-1]+1:
            if ID['Vehicle_ID'][i] not in TR_vehicle_id:
                TR_vehicle_id.append(ID['Vehicle_ID'][i])
            TR_row.append(i-1)
            TR_row.append(i)
        if ID['Vehicle_ID'][i]==ID['Vehicle_ID'][i-1] and ID['Lane_ID'][i]==ID['Lane_ID'][i-1]-1:
            if ID['Vehicle_ID'][i] not in TL_vehicle_id:
                TL_vehicle_id.append(ID['Vehicle_ID'][i])
            TL_row.append(i-1)
            TL_row.append(i)
    
#         change_vehicle_row.append(i-1)
#         change_vehicle_row.append(i)


# In[6]:


change_vehicle_row


# In[7]:


len(change_vehicle_id)


# In[8]:


LK_list=[]
for i in Vehicle_ID_LIST:
    if i not in change_vehicle_id:
        LK_list.append(i)
LK_ID40=f[f.Vehicle_ID.isin(LK_list)]
LK_ID40=LK_ID40[LK_ID40.Lane_ID.isin([1,2,3,4,5])]
LK_ID40['label']=0
LK_ID40=LK_ID40.reset_index(drop=True)


# In[9]:


import random
keep_lane_row=[]
for i in LK_list:
    one_ve_info=LK_ID40[LK_ID40.Vehicle_ID.isin([i])]
    total_frames=len(one_ve_info)
    if total_frames>=40:
        start_frame=random.randint(0,total_frames)-40
        end_frame=start_frame+40
        one_ve_index=one_ve_info.iloc[start_frame:end_frame,:].index
        keep_lane_row.extend(one_ve_index)
print( keep_lane_row)
    


# In[10]:


len(keep_lane_row)/40


# In[11]:


KL_list=list(set(list(LK_ID40.Vehicle_ID)))
lk_40=[]
Vehicle_ID40=[]
for i in range(len(LK_ID40)):
    if i<=40:
        continue
    else:
        if LK_ID40['Vehicle_ID'][i]!=LK_ID40['Vehicle_ID'][i-1] and LK_ID40['Vehicle_ID'][i-1]==LK_ID40['Vehicle_ID'][i-40] :
            lk_40.extend(a for a in range(i-40,i))
lk_40


# In[12]:


len(lk_40)


# In[13]:


KL_train40_csv=LK_ID40.loc[keep_lane_row]
KL_train40_csv.to_csv("./KL_train40.csv",index=False)


# In[14]:


import random
LK_train=random.sample(LK_list,300)
LK_train


# In[15]:


len(LK_train)


# In[16]:


lane_local = pd.DataFrame(columns = ["Vehicle_ID", "Lane_ID","Local_X"]) 
change_lane_id=ID[ID.Vehicle_ID.isin(change_vehicle_id)]
TR_ID=ID[ID.Vehicle_ID.isin(TR_vehicle_id)]
TL_ID=ID[ID.Vehicle_ID.isin(TL_vehicle_id)]
change_lane_id.to_csv("./change_lane_id.csv",index=False)
change_lane_id


# In[17]:


TR_ID


# In[18]:


TL_ID


# In[19]:


change_num=int(len(change_vehicle_row)/2)
change_row=[]
for i in range(change_num):
    change_row.append(change_vehicle_row[2*i])
one_change_local=change_lane_id.loc[change_row]
Change_local=change_lane_id.loc[change_vehicle_row]
TR_local=change_lane_id.loc[TR_row]
TL_local=change_lane_id.loc[TL_row]
one_change_local.to_csv("./one_change_local.csv",index=0)
Change_local.to_csv("./change_local.csv",index=0)
Change_local=Change_local.reset_index(drop=True)


# In[20]:


Change_local


# In[21]:


lane_local12_row=[]
lane_local21_row=[]
lane_local23_row=[]
lane_local32_row=[]
lane_local34_row=[]
lane_local43_row=[]
lane_local45_row=[]
lane_local54_row=[]

for i in range(len(Change_local)):
    if i ==0:
        continue
    else:
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==2 and Change_local.Lane_ID[i-1]==1:
            lane_local12_row.append(i-1)
            lane_local12_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==1 and Change_local.Lane_ID[i-1]==2:
            lane_local21_row.append(i-1)
            lane_local21_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==3 and Change_local.Lane_ID[i-1]==2:
            lane_local23_row.append(i-1)
            lane_local23_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==2 and Change_local.Lane_ID[i-1]==3:
            lane_local32_row.append(i-1)
            lane_local32_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==4 and Change_local.Lane_ID[i-1]==3:
            lane_local34_row.append(i-1)
            lane_local34_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==3 and Change_local.Lane_ID[i-1]==4:
            lane_local43_row.append(i-1)
            lane_local43_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==5 and Change_local.Lane_ID[i-1]==4:
            lane_local45_row.append(i-1)
            lane_local45_row.append(i)
        if Change_local.Vehicle_ID[i]==Change_local.Vehicle_ID[i-1] and  Change_local.Lane_ID[i]==4 and Change_local.Lane_ID[i-1]==5:
            lane_local54_row.append(i-1)
            lane_local54_row.append(i)


# In[22]:


lane_local12_row


# In[ ]:





# In[23]:


change_lane12_local=Change_local.loc[lane_local12_row]
change_lane21_local=Change_local.loc[lane_local21_row]
change_lane23_local=Change_local.loc[lane_local23_row]
change_lane32_local=Change_local.loc[lane_local32_row]
change_lane34_local=Change_local.loc[lane_local34_row]
change_lane43_local=Change_local.loc[lane_local43_row]
change_lane45_local=Change_local.loc[lane_local45_row]
change_lane54_local=Change_local.loc[lane_local54_row]


# In[24]:


change_lane12_local


# In[25]:


Vehicle_ID12=change_lane12_local['Vehicle_ID']
Vehicle_ID12.tolist()
set(Vehicle_ID12)
Vehicle_ID12=set(Vehicle_ID12)


# In[26]:


change_lane21_local


# In[27]:


Vehicle_ID21=change_lane21_local['Vehicle_ID']
Vehicle_ID21.tolist()
set(Vehicle_ID21)
Vehicle_ID21=set(Vehicle_ID21)


# In[28]:


change_lane23_local


# In[29]:


Vehicle_ID23=change_lane23_local['Vehicle_ID']
Vehicle_ID23.tolist()
set(Vehicle_ID23)
Vehicle_ID23=set(Vehicle_ID23)


# In[30]:


change_lane32_local


# In[31]:


Vehicle_ID32=change_lane32_local['Vehicle_ID']
Vehicle_ID32.tolist()
set(Vehicle_ID32)
Vehicle_ID32=set(Vehicle_ID32)


# In[32]:


change_lane34_local


# In[33]:


Vehicle_ID34=change_lane34_local['Vehicle_ID']
Vehicle_ID34.tolist()
set(Vehicle_ID34)
Vehicle_ID34=set(Vehicle_ID34)


# In[34]:


change_lane43_local


# In[35]:


Vehicle_ID43=change_lane43_local['Vehicle_ID']
Vehicle_ID43.tolist()
set(Vehicle_ID43)
Vehicle_ID43=set(Vehicle_ID43)


# In[36]:


change_lane45_local


# In[37]:


Vehicle_ID45=change_lane45_local['Vehicle_ID']
Vehicle_ID45.tolist()
set(Vehicle_ID45)
Vehicle_ID45=set(Vehicle_ID45)


# In[38]:


change_lane54_local


# In[39]:


Vehicle_ID54=change_lane54_local['Vehicle_ID']
Vehicle_ID54.tolist()
Vehicle_ID54=set(Vehicle_ID54)


# In[40]:


change_lane_ID15=Vehicle_ID12|Vehicle_ID21|Vehicle_ID23|Vehicle_ID32|Vehicle_ID34|Vehicle_ID43|Vehicle_ID45|Vehicle_ID54
change_lane_ID15=list(change_lane_ID15)
change_lane_ID15


# In[41]:


len(change_lane_ID15)


# In[42]:


TR_ID15=Vehicle_ID12|Vehicle_ID23|Vehicle_ID34|Vehicle_ID45
TL_ID15=Vehicle_ID21|Vehicle_ID32|Vehicle_ID43|Vehicle_ID54
TR_ID15=list(TR_ID15)
TL_ID15=list(TL_ID15)
len(TL_ID15)


# In[43]:


len(TL_ID15)


# In[44]:


CL_train=change_lane_ID15
CL_train


# In[45]:


TR_ID15_csv=f[f.Vehicle_ID.isin(TR_ID15)]
TR_ID15_csv['label']=2
TL_ID15_csv=f[f.Vehicle_ID.isin(TL_ID15)]
TL_ID15_csv['label']=1
TR_ID15_csv=TR_ID15_csv.reset_index(drop=True)
TL_ID15_csv=TL_ID15_csv.reset_index(drop=True)
TR_ID15_csv


# In[46]:


TR_row=[]
TL_row=[]
TR_local_row=lane_local12_row+lane_local23_row+lane_local34_row+lane_local45_row
TL_local_row=lane_local21_row+lane_local32_row+lane_local43_row+lane_local54_row
TR_num=int(len(TR_local_row)/2)
for i in range(TR_num):
    TR_row.append(TR_local_row[2*i])
TL_num=int(len(TL_local_row)/2)
for i in range(TL_num):
    TL_row.append(TL_local_row[2*i])
TL_row


# In[47]:


CL_train_csv=f[f.Vehicle_ID.isin(CL_train)]
# CL_train_csv['label']=1
CL_train_csv=CL_train_csv.reset_index(drop=True)
CL_train_csv


# In[48]:


import numpy as np
b=[]
change_vehicle_row40=[]
Vehicle_ID40=[]
for i in range(len(CL_train_csv)):
    if i<=40:
        continue
    else:
        if CL_train_csv['Vehicle_ID'][i]==CL_train_csv['Vehicle_ID'][i-1] ==CL_train_csv['Vehicle_ID'][i-40] and CL_train_csv['Lane_ID'][i]!=CL_train_csv['Lane_ID'][i-1]:
            x=list(CL_train_csv['Lane_ID'][i-40:i])
            lane_num=len(set(x))
            if lane_num==1:
                b.extend(a for a in range(i-40,i+1))
for i in b:
    if i>=0:
        change_vehicle_row40.append(i)
change_vehicle_row40


# In[49]:


len(change_vehicle_row40)


# In[50]:


CL_train40_csv=CL_train_csv.loc[change_vehicle_row40]
CL_train40_csv.to_csv("./CL_train41.csv",index=False)
CL_train40_csv


# In[51]:


train_ID=LK_train+CL_train
train_ID


# In[52]:


train_csv=f[f.Vehicle_ID.isin(train_ID)]
train_csv=train_csv.reset_index(drop=True)
train_csv['label']=1
train_csv


# In[53]:


TR_local


# In[54]:


TL_local


# In[55]:


change_lane12_local.describe()


# In[56]:


change_lane21_local.describe()


# In[57]:


change_lane23_local.describe()


# In[58]:


change_lane32_local.describe()


# In[59]:


change_lane34_local.describe()


# In[60]:


change_lane43_local.describe()


# In[61]:


change_lane45_local.describe()


# In[62]:


change_lane54_local.describe()


# In[63]:


TL_local.describe()


# In[64]:


TR_local.describe()


# In[ ]:





# In[ ]:
闲看庭前梦落花
关注
  • 5
    点赞
  • 踩
  • 44
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
python车辆轨迹分析_Ngsim数据集分析与python处理,NGSIM,解析,及
weixin_39633452的博客
02-04 4865
简介NGSIM(Next Generation Simulation)数据集是美国FHWA搜集的美国高速公路行车数据，它包括了US101、I-80等道路上的所有车辆在一个时间段的车辆行驶状况。数据是采用摄像头获取，然后加工成一条一条的轨迹点记录。我在项目中用到的是US101数据集，其他数据结构大同小异。一下着重介绍该路段数据集。US101数据集介绍NGSIM官方提供了使用API的方法获取数据集，但...
NGSIM-US-101-trajectory-dataset-smoothing:使用Savitzky-Golay滤波器平滑NGSIM US-101轨迹数据集
05-24
NGSIM US-101数据集平滑 描述 NGSIM US-101数据集平滑功能使用提供了众所周知的轨迹NGSIM US-101数据集的低噪点和平滑版本。 平滑过程分为两个步骤，该过程包括：首先，平滑X和Y值，然后相对于平滑的X，Y值重新计算速度和加速度。 表中的内容 NGSIM US-101数据集 自2005年发布以来，NGSIM US 101数据集一直是研究人员进行轨迹预测的最终开源数据集。包括[1-3]在内的许多研究人员都指出数据集中存在噪声，这主要是由于其具有是从位于加利福尼亚州洛杉矶的俯瞰好莱坞高速公路的建筑物上安装的8台摄像机的视频录像中自动提取的，也称为美国南行101。用于提取NGSIM US-101数据集的软件称为NG-VIDEO软件。 另外，NGSIM文档明确指出： 尚未对数据集进行准确性评估 [我们不对数据完整性提出任何要求。 提供的数据可能存在差距 我们发现，绘制加
NGSIM数据处理程序(跟驰车辆)
11-12
使用Python对NGSIM数据集中车辆跟驰部分的数据进行了筛选和提取，筛选出了连续时间戳下目标车辆对应前车的相关信息并进行整合。（声明：本程序仅仅是对跟驰车辆的数据做了初步筛选，并未做平滑和去噪处理，得到的数据后续还要作进一步的处理才能用于科研。）
NGSIM数据集-US101-换道车辆划分数据集
08-10
依据车辆编号将US101中的数据进行整合，筛选出发生换道的车辆信息，每个sheet都是一个换道车辆的全部时刻的信息，适合于做轨迹规划，预测和分析决策的同学，信息全面，价格低廉！
NGSIM数据集Python处理（跟驰车队筛选）
Mr.J的博客
12-22 6529
NGSIM数据集具有高精度、覆盖广等特征，大量论文使用NGSIM数据集来研究车辆的跟驰行为，如验证跟驰模型，跟驰模型参数标定等，本文使用Python代码实现对跟驰车队的筛选，未进行数据平滑处理。通过代码自定义车头间距、车头时距、跟驰时间阈值，通过不同的前车对同一ID车辆数据进行切分，解决了原始数据中同一ID被多个车辆复用而导致的数据异常问题
NGSIM数据集.zip
11-12
包括数据集和对应的路段图片
NGSIM数据集Python处理（跟驰车辆前后车数据提取）
Mr.J的博客
05-11 4707
本文使用Python代码实现对NGSIM数据集中跟驰车辆前后车数据的获取。主要使用numpy和pandas两个库。在筛选时，去掉了无前车和后车的数据，即前车或后车ID为0。本文提供代码大体框架介绍，如需完整代码，可点击本人上传的资源进行下载(1条消息) 跟驰本车及前后车数据获取-数据挖掘文档类资源-CSDN文库 构建初始数据列 构建空白列，用于保存数据。 data['v_Preceding'] = np.nan data['a_Preceding']=np.nan data['x_Preceding'
数据集笔记：NGSIM （next generation simulation）
最新发布
qq_40206371的博客
11-20 3877
包含了45分钟的转录数据，分为三个15分钟的时段，分别代表：1) 上午7:50至8:05，2) 上午8:05至8:20，以及3) 上午8:20至8:35。提供45分钟的视频数据，分为三个15分钟的时段：1）下午4:00到4:15；2）下午5:00到5:15；数据集包括两个时间段的每个摄像头的原始和处理过的视频数据的文件。数据代表了30分钟的视频，分为两个时段（下午12:45至1:00和下午4:00至4:15）。数据代表了30分钟的视频，分为两个时段（上午8:30至8:45和上午8:45至9:00）。
NGSIM数据集相关解释
热门推荐
qq_42926319的博客
03-23 1万+
列名 描述 Vehicle_Id 车辆识别号（根据进入该区域的时间升序），重复利用 Frame_Id 该条数据在某一时刻的帧（按开始时间升序），同一Vehicle_ID的帧号不会重复 Total_Frame 该车出现在此数据集的总帧数 Global_Time 时间戳（ms） Local_X 车辆前部中心的横向（X）坐标，以英尺为单位，相对于截面在行驶方向上的最左侧边缘。 Local_Y 车辆前部中心的纵向（Y）坐标，以英尺为单位，相对于截面在行驶方向上的进入边缘。 以...
NGSIM数据集Python处理（按照路段和车型筛选数据）
Mr.J的博客
12-22 6401
关于NGSIM数据集的介绍不再赘述，详见他人文章：(29条消息) NGSIM数据集相关解释_29世纪杀马特的博客-CSDN博客_ngsim数据集 本文章主要通过Python完成NGSIM数据集按路段和车型的筛选，话不多说，直接上代码： import pandas as pd from pathlib import Path datas = pd.read_csv('D:\\BaiduNetdiskDownload\\NGSIM_Data.csv') def main(): choice =
NGSIM数据集Python处理（车辆变道时本车道和目标车道前后车数据提取）
Mr.J的博客
05-11 4397
在进行车辆直行变道的决策研究时，本车道前车和目标车道前后车的数据及其重要，这些数据直接影响到车辆变道动作执行的可能性，在一般的研究中，大多驾驶车辆采集车辆变道时相关的数据，但是由此得到的数据很少，且很难获得，也有一些研究通过手动筛选的方式，从已有数据集中获取部分研究数据，但手动筛选数据，务必导致效率低下且可能因为筛选的数据囊括的情况较少，直接影响到研究的真实、可靠性。NGSIM数据集具有量大质优的特点，但其原始数据中并未直接体现出上述的数据，本文使用Python代码的编写，实现上述数据的的提...
bmp图片数据提取
11-01
1. 支持24位与32位的BMP图片 2. 转换结果没有字对齐（3个字节一个像素依次排列） 3. 32位情况Aero通道被去除 4. 像素点序列与原图片相同（上下颠倒，左右正常） 注：VS2008工程，数据存储到txt文档
matlab车辆跟驰仿真代码-NGSIM-trajectories:NGSIMI-80数据集领导者-跟随者车辆轨迹对
05-24
matlab车辆跟驰仿真代码该存储库包含MATLAB代码，用于处理新一代模拟（NGSIM）州际80（I-80）车辆轨迹数据集，并提取领导者跟随者车辆轨迹对。 这些对可用于分析驾驶行为并建立汽车跟随模型。 车道变更情景已删除。 脚步： 从NGSIM网站下载数据。 转到创建帐户并搜索数据I-80。 下载车辆轨迹数据。 此项目中使用了RETRACTERTED trajectories-400-0415_NO MOTORCYCLES.csv。 获取csv文件后，将其添加到项目文件夹下并运行saveNGSIMdata.m 运行main.m，其中包含一个示例，该示例在通道2上绘制轨迹对1。
NGSIM数据集-US101-车道保持车辆划分数据集
08-10
依据车辆编号将US101中的数据进行整合，筛选车道保持的车辆信息，每个sheet都是一个车道保持车辆的全部时刻的信息，适合于做轨迹规划，预测和分析决策的同学，信息全面，价格低廉
NGSIM数据集-US101-换道车辆及其周围车辆数据集
08-10
依据车辆编号将US101中的数据进行整合，筛选发生换道行为的车辆及其周围（主要是目标/旁边车道的前后方车辆）信息，每一个车辆整理为一个excel，每一个excel包括多个sheet，每一个sheet都是一个时刻的本车和周围车辆...
NGSIM-I-80汽车轨迹数据集
03-12
1.在压缩包中有NGSIM US-101公开数据集中的车辆轨迹数据集 2.在数据集中包含下午0400-0415、0500-0515、0515-0530三个时间段的数据 3.数据格式为.txt
us-101.csv 车辆公开轨迹数据集NGSIM提取出的us-101数据集
05-11
车辆公开轨迹数据集NGSIM提取出的us-101数据集 适合研究车辆轨迹，车辆变道行为，跟驰行为。
NGSIM数据集Python处理（车辆变道时周边车辆数据提取）
Mr.J的博客
03-01 4984
本文通过Python代码的编写，对NGSIM数据集中车辆变道时周边车辆的加速度、速度等信息进行提取，主要介绍代码逻辑及思路。 关于NGSIM数据集不再赘述，本人上传有NGSIM各路段各车型的车辆数据以及各路段平面示意图，可点击链接NGSIM数据.zip_ngsim提取换道数据Python源代码-交通文档类资源-CSDN文库进行下载。本文代码实现基于NGSIM数据集中US-101路段的小型车数据，前期数据筛选和提取看参见本人前期发表文章NGSIM数据集Python处理（按照路...
NGSIM数据集处理-添加标签、特征标准化
wulin的博客
04-26 1057
添加标签 对向左向右换道数据添加不同的标签 #!/usr/bin/env python # coding: utf-8 # In[1]: import csv import pandas as pd f2=pd.read_csv("./CL_train41.csv") f2 # In[2]: # TR_row=[] # for i in range(len(f2)): # if i==0: # continue # else: # if f2['
ngsim数据集筛选出101
06-07
为什么要对ngsim数据集进行筛选？因为ngsim数据集是一个真实交通场景的视频数据集，其中包含了大量的车辆行驶数据，这些数据能够为交通规划和智能交通系统的研究和开发提供有价值的参考。但是，ngsim数据集中的数据有些过于复杂和庞杂，需要对其进行筛选，精细化处理，才能够更好地提取有效信息。 如何进行ngsim数据集的筛选？在ngsim数据集中，我们希望挑选出一些代表性的交通场景和车辆行驶数据来进行研究和分析。因此，我们可以通过以下几个步骤来筛选ngsim数据集: 1.数据预处理：对ngsim数据集中的数据进行清理和预处理，包括：去除异常数据，统一格式，转换单位等。 2.数据标注：对ngsim数据集中的每一帧视频标注车道、车型、车速、加速度、位置信息等字段，以便于后续数据分析和挖掘。 3.场景选择：根据研究需求和分析目的，选取和筛选出一些代表性的交通场景，如交叉口、公路、高速公路等。 4.车辆选择：从选定的交通场景中，根据车型、车速、加速度等指标，筛选出一些代表性的车辆进行分析和研究。 通过以上的筛选和精细化处理，我们可以得到101组代表性的ngsim数据集，这些数据集能够为交通规划和智能交通系统的研究和开发提供有价值的参考。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值