NGSIM数据集提取换道前4s周围车辆的特征数据

最新推荐文章于 2023-08-14 15:15:48 发布
最新推荐文章于 2023-08-14 15:15:48 发布
阅读量1.5k 收藏 38
点赞数 5
分类专栏： NGSIM 文章标签： python
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/124423541
版权

换道

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

# In[1]:


import numpy as np
import pandas as pd
import random
f=pd.read_csv("./CL_train41.csv")
# df=pd.read_csv("/home/mt/learn/NGSIM数据处理/csv/80/4:00-4:15/CL_train41.csv")
ff=pd.read_csv("./trajectories-0750.csv")
f


# In[2]:


f=f.rename(columns={'Preceeding':'Preceding'})
num1=int(len(f)/41)
id_max=max(ff.Vehicle_ID.values)
time_point=0
point_list=[]
for i in range(num1):
    point_list.append(time_point+41*i)
point_list


# In[3]:


f1=f.iloc[point_list]
f2=f1[['Vehicle_ID','Preceding','Following']].values
index=[]
for i in range(num1):
    if f2[i][1]>id_max or f2[i][2]>id_max:
        index.append(i)
index_row=[]
for i in index:
    index_row.extend(a for a in range(i*41,i*41+41))
f=f.drop(index_row)
f=f.reset_index(drop=True)
f.Vehicle_ID=f.Vehicle_ID.astype('object')
f.Preceding=f.Preceding.astype('object')
f.Following=f.Following.astype('object')
f=f.astype('object')
f


# In[4]:


num2=int(len(f)/41)
point_list2=[]
for i in range(num2):
    point_list2.append(time_point+41*i)
f3=f.iloc[point_list2]
f4=f3[['Vehicle_ID','Frame_ID','Preceding','Following']].values
f4


# In[5]:


row41=[]
for i in range(num2):
    row41.append(41*i+40)
df=f.drop(row41)
df=df.reset_index(drop=True)
df  


# In[6]:


pd41=f.loc[row41]
pd41


# In[7]:


aim_lane=pd41.Lane_ID.values
aim_lane


# In[8]:


aim_lane_list=[]
for i in aim_lane:
    for a in range(40):
        aim_lane_list.append(i)
aim_lane_list


# In[9]:


aim_lane_data=pd.DataFrame(data=aim_lane_list,columns={'aim_lane'})
aim_lane_data


# In[10]:


df_new=pd.concat([df,aim_lane_data],axis=1)
df_new


# In[11]:


def choose_frame(arr):
    Pre = pd.DataFrame(columns=['Vehicle_ID','Frame_ID','Total_Frames','Global_Time','Local_X','Local_Y','Global_X','Global_Y','v_Length','v_Width','v_Class','v_Vel','v_Acc','Lane_ID','Preceding','Following','Space_Headway','Time_Headway'])
    Fol = pd.DataFrame(columns=['Vehicle_ID','Frame_ID','Total_Frames','Global_Time','Local_X','Local_Y','Global_X','Global_Y','v_Length','v_Width','v_Class','v_Vel','v_Acc','Lane_ID','Preceding','Following','Space_Headway','Time_Headway'])
    shape=np.shape(arr)
    for i in range(shape[0]):
        a=ff[ff.Vehicle_ID.isin([arr[i][2]])]
        b=a[a.Frame_ID.isin([arr[i][1]])]
        b['Vehicle_ID1']=arr[i][0]
        c=ff[ff.Vehicle_ID.isin([arr[i][3]])]
        d=c[c.Frame_ID.isin([arr[i][1]])]
        d['Vehicle_ID1']=arr[i][0]
        Pre=pd.concat([Pre,b], ignore_index=True)
        Fol=pd.concat([Fol,d], ignore_index=True)
    return Pre,Fol


# In[12]:


Pre1,Fol1=choose_frame(f4)


# In[13]:


Fol1.Vehicle_ID1=Fol1.Vehicle_ID1.astype('object')
Pre1.Vehicle_ID1=Pre1.Vehicle_ID1.astype('object')


# In[14]:


Pre1=Pre1[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Vehicle_ID1']]
Fol1=Fol1[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Vehicle_ID1']]
Pre1.columns=['Preceding','Frame_ID','Pre1_Local_X','Pre1_Local_Y','Pre1_v_Vel','Vehicle_ID']
Fol1.columns=['Following','Frame_ID','Fol1_Local_X','Fol1_Local_Y','Fol1_v_Vel','Vehicle_ID']


# In[15]:


pd1=pd.merge(df_new,Pre1, how='left', on=['Frame_ID','Preceding','Vehicle_ID'])
pd2=pd.merge(pd1,Fol1, how='left', on=['Frame_ID','Following','Vehicle_ID'])
pd3=pd2.dropna(axis=0,how='any') 
# pd3
# pd2.to_csv("/home/mt/learn/NGSIM数据处理/csv/80/单帧提取/zhixing2.csv")
pd2


# In[16]:


pd3


# In[17]:


useful_pd=pd3[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Lane_ID','aim_lane']]
useful_list=useful_pd.values
useful_pd


# In[18]:


useful_list


# In[19]:


def NB(arr):
    shape=np.shape(arr)
    Pre2=[]
    Fol2=[]
    prev2=[]
    folv2=[]
    for i in range(shape[0]):
        x=[]
        y=[]
        v_pre=[]
        v_fol=[]
        a=ff[ff.Frame_ID.isin([arr[i][1]])]
        b=a[a.Lane_ID.isin([arr[i][6]])]
        c=b.Local_Y.values
        vc=b.v_Vel.values
        for valuey in range(len(c)):
            d=c[valuey]-arr[i][3]
            vd=vc[valuey]-arr[i][4]
            if d>0:
                x.append(d)
                v_pre.append(vd)
            if d<0:
                y.append(d)
                v_fol.append(vd)
        if x!=[]:
            pre_x=np.min(x)
            vx_index=x.index(pre_x)
            pre_v=v_pre[vx_index]
        else:
            pre_x=100
            pre_v=40
        if y!=[]:
            fol_y=np.max(y)
            vy_index=y.index(fol_y)
            fol_v=v_fol[vy_index]
        else:
            fol_y=-100
            fol_v=5
        Pre2.append(pre_x)
        prev2.append(pre_v)
        Fol2.append(fol_y)
        folv2.append(fol_v)
    return Pre2,Fol2,prev2,folv2         


# In[20]:


Pre2,Fol2,prev2,folv2=NB(useful_list)


# In[21]:


Pr2=pd.DataFrame(columns=['y3'], data =Pre2)
Fo2=pd.DataFrame(columns=['y4'], data =Fol2)
v3=pd.DataFrame(columns=['v3'], data =prev2)
v4=pd.DataFrame(columns=['v4'], data =folv2)


# In[22]:


pd4=pd3[['Local_Y','Pre1_Local_Y','Fol1_Local_Y','v_Vel','Pre1_v_Vel','Fol1_v_Vel']]


# In[23]:


y_list=pd4.Local_Y.values
y1_list=pd4.Pre1_Local_Y.values
y2_list=pd4.Fol1_Local_Y.values
v_list=pd4.v_Vel.values
v1_list=pd4.Pre1_v_Vel.values
v2_list=pd4.Fol1_v_Vel.values


# In[24]:


y1=y1_list-y_list
y2=y2_list-y_list
v1=v_list-v1_list
v2=v_list-v2_list
Pr1=pd.DataFrame(columns=['y1'], data =y1)
Fo1=pd.DataFrame(columns=['y2'], data =y2)
pre_v=pd.DataFrame(columns=['v1'], data =v1)
fol_v=pd.DataFrame(columns=['v2'], data =v2)


# In[25]:


pd5=pd3[['Vehicle_ID','Frame_ID']]
pd5=pd5.reset_index(drop=True)
pd6=pd.concat([pd5,pre_v,fol_v,v3,v4,Pr1,Fo1,Pr2,Fo2],axis=1)
# pd6.to_csv("/home/mt/learn/NGSIM数据处理/csv/80/单帧提取/zhixing.csv")
# pd6['label']=0
pd6


# In[26]:


# pd6=pd6.dropna(axis=0,how='any') 
# pd6 = pd6[pd6!= 0]
# pd6.dropna(axis=0, how='any', inplace=True)
pd6['label']=1
pd6


# In[27]:


pd6.to_csv("./biandao_new.csv",index=0)


# In[ ]:

直行

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

# In[1]:


import numpy as np
import pandas as pd
import random
f=pd.read_csv("./KL_train40.csv")
ff=pd.read_csv("./trajectories-0750.csv")
f


# In[2]:


f=f.rename(columns={'Preceeding':'Preceding'})
num1=int(len(f)/40)
id_max=max(ff.Vehicle_ID.values)
time_point=0
point_list=[]
for i in range(num1):
    point_list.append(time_point+40*i)
point_list


# In[3]:


f1=f.iloc[point_list]
f2=f1[['Vehicle_ID','Preceding','Following']].values
index=[]
for i in range(num1):
    if f2[i][1]>id_max or f2[i][2]>id_max:
        index.append(i)
index_row=[]
for i in index:
    index_row.extend(a for a in range(i*40,i*40+40))
f=f.drop(index_row)
f=f.reset_index(drop=True)
f.Vehicle_ID=f.Vehicle_ID.astype('object')
f.Preceding=f.Preceding.astype('object')
f.Following=f.Following.astype('object')
f=f.astype('object')
f


# In[4]:


num2=int(len(f)/40)
point_list2=[]
for i in range(num2):
    point_list2.append(time_point+40*i)
f3=f.iloc[point_list2]
f4=f3[['Vehicle_ID','Frame_ID','Preceding','Following']].values
f4


# In[5]:


def choose_frame(arr):
    Pre = pd.DataFrame(columns=['Vehicle_ID','Frame_ID','Total_Frames','Global_Time','Local_X','Local_Y','Global_X','Global_Y','v_Length','v_Width','v_Class','v_Vel','v_Acc','Lane_ID','Preceding','Following','Space_Headway','Time_Headway'])
    Fol = pd.DataFrame(columns=['Vehicle_ID','Frame_ID','Total_Frames','Global_Time','Local_X','Local_Y','Global_X','Global_Y','v_Length','v_Width','v_Class','v_Vel','v_Acc','Lane_ID','Preceding','Following','Space_Headway','Time_Headway'])
    shape=np.shape(arr)
    for i in range(shape[0]):
        a=ff[ff.Vehicle_ID.isin([arr[i][2]])]
        b=a[a.Frame_ID.isin([arr[i][1]])]
        b['Vehicle_ID1']=arr[i][0]
        c=ff[ff.Vehicle_ID.isin([arr[i][3]])]
        d=c[c.Frame_ID.isin([arr[i][1]])]
        d['Vehicle_ID1']=arr[i][0]
        Pre=pd.concat([Pre,b], ignore_index=True)
        Fol=pd.concat([Fol,d], ignore_index=True)
    return Pre,Fol


# In[6]:


Pre1,Fol1=choose_frame(f4)


# In[7]:


Fol1.Vehicle_ID1=Fol1.Vehicle_ID1.astype('object')
Pre1.Vehicle_ID1=Pre1.Vehicle_ID1.astype('object')


# In[8]:


Pre1


# In[9]:


Pre1=Pre1[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Vehicle_ID1']]
Fol1=Fol1[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Vehicle_ID1']]
Pre1.columns=['Preceding','Frame_ID','Pre1_Local_X','Pre1_Local_Y','Pre1_v_Vel','Vehicle_ID']
Fol1.columns=['Following','Frame_ID','Fol1_Local_X','Fol1_Local_Y','Fol1_v_Vel','Vehicle_ID']


# In[10]:


Pre1


# In[11]:


pd1=pd.merge(f,Pre1, how='left', on=['Frame_ID','Preceding','Vehicle_ID'])
pd2=pd.merge(pd1,Fol1, how='left', on=['Frame_ID','Following','Vehicle_ID'])
pd3=pd2.dropna(axis=0,how='any') 
# pd3
# pd2.to_csv("/home/mt/learn/NGSIM数据处理/csv/80/单帧提取/zhixing2.csv")
pd3


# In[12]:



# a=ff[ff.Frame_ID.isin([511])]
# b=a[a.Lane_ID.isin([3])]
# c=pd3.Local_Y.values
# d=b.Local_Y.values
# x=[]
# y=[]
# d=list(d)
# c=list(c)
# for i in range(len(d)):
#     e=d[i]-c[0]
#     if e>0:
#         x.append(e)
#     if e<0:
#         y.append(e)
# h=np.min(x)
# z=np.max(y)
# z


# In[13]:


useful_pd=pd3[['Vehicle_ID','Frame_ID','Local_X','Local_Y','v_Vel','Lane_ID']]
useful_list=useful_pd.values
useful_pd


# In[14]:


useful_list


# In[15]:


def NB(arr):
    shape=np.shape(arr)
    Pre2=[]
    Fol2=[]
    prev2=[]
    folv2=[]
    for i in range(shape[0]):
        x=[]
        y=[]
        v_pre=[]
        v_fol=[]
        a=ff[ff.Frame_ID.isin([arr[i][1]])]
        if arr[i][5]==1:   
            b=a[a.Lane_ID.isin([2])]
        else:
            b=a[a.Lane_ID.isin([arr[i][5]-1])]
        c=b.Local_Y.values
        vc=b.v_Vel.values
        for valuey in range(len(c)):
            d=c[valuey]-arr[i][3]
            vd=vc[valuey]-arr[i][4]
            if d>0:
                x.append(d)
                v_pre.append(vd)
            if d<0:
                y.append(d)
                v_fol.append(vd)
        if x!=[]:
            pre_x=np.min(x)
            vx_index=x.index(pre_x)
            pre_v=v_pre[vx_index]
        else:
            pre_x=100
            pre_v=40
        if y!=[]:
            fol_y=np.max(y)
            vy_index=y.index(fol_y)
            fol_v=v_fol[vy_index]
        else:
            fol_y=-100
            fol_v=5
        Pre2.append(pre_x)
        prev2.append(pre_v)
        Fol2.append(fol_y)
        folv2.append(fol_v)
    return Pre2,Fol2,prev2,folv2         


# In[16]:


np.shape(useful_list)


# In[17]:


Pre2,Fol2,prev2,folv2=NB(useful_list)


# In[18]:


np.shape(Pre2)


# In[19]:


Pre2


# In[20]:


Fol2


# In[21]:


Pr2=pd.DataFrame(columns=['y3'], data =Pre2)
Fo2=pd.DataFrame(columns=['y4'], data =Fol2)
v3=pd.DataFrame(columns=['v3'], data =prev2)
v4=pd.DataFrame(columns=['v4'], data =folv2)
v3


# In[22]:


pd4=pd3[['Local_Y','Pre1_Local_Y','Fol1_Local_Y','v_Vel','Pre1_v_Vel','Fol1_v_Vel']]
pd4


# In[23]:


y_list=pd4.Local_Y.values
y1_list=pd4.Pre1_Local_Y.values
y2_list=pd4.Fol1_Local_Y.values
v_list=pd4.v_Vel.values
v1_list=pd4.Pre1_v_Vel.values
v2_list=pd4.Fol1_v_Vel.values


# In[24]:


y1=y1_list-y_list
y2=y2_list-y_list
v1=v_list-v1_list
v2=v_list-v2_list
Pr1=pd.DataFrame(columns=['y1'], data =y1)
Fo1=pd.DataFrame(columns=['y2'], data =y2)
pre_v=pd.DataFrame(columns=['v1'], data =v1)
fol_v=pd.DataFrame(columns=['v2'], data =v2)


# In[25]:


pd5=pd3[['Vehicle_ID','Frame_ID']]
pd5=pd5.reset_index(drop=True)
pd6=pd.concat([pd5,pre_v,fol_v,v3,v4,Pr1,Fo1,Pr2,Fo2],axis=1)
# pd6.to_csv("/home/mt/learn/NGSIM数据处理/csv/80/单帧提取/zhixing.csv")
# pd6['label']=0
pd6


# In[26]:


pd6['label']=0
pd6


# In[27]:


pd6.to_csv("./zhixing_new.csv",index=0)


# In[ ]:





# In[ ]:





# In[ ]:

变道和直行数据合并得到最终的结果数据

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

# In[1]:


import numpy as np
import pandas as pd
import random
f1=pd.read_csv("./Doubel_label.csv")
f2=pd.read_csv("./zhixing_new.csv")
f3=pd.read_csv("./biandao_new.csv")
f1=f1.rename(columns={'label':'label1'})
# pd1=pd.merge(f1,f2, how='left', on=['Frame_ID','Vehicle_ID'])
# pd2=pd.merge(pd1,f3, how='left', on=['Frame_ID','Vehicle_ID'])
# pd1
f1


# In[2]:


pd2=pd.concat([f2,f3])
pd2.to_csv('./v1-y4_new.csv',index=0)
pd2


# In[3]:


pd3=pd.merge(f1,pd2, how='left', on=['Frame_ID','Vehicle_ID'])
# pd3.to_csv('/home/mt/learn/NGSIM数据处理/csv/80/4:00-4:15/new/kankna.csv')
pd3


# In[4]:


# pd3.label=pd3.label.astype('object')
pd4=pd3.dropna()
pd4.label=pd4.label.astype('object')
pd5=pd4.reset_index(drop=True)
pd5


# In[ ]:





# In[ ]:





# In[5]:


pd5.to_csv("./result11.csv",index=0)


# In[ ]:





# In[ ]:





# In[ ]:





# In[ ]:





# In[ ]:
闲看庭前梦落花
关注
  • 5
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
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的全部信息，信息全面，价格低廉，适合与做无人驾驶相关的决策规划，轨迹分析预测等同学！
HighD数据集Python处理（车辆变道时本车及当前车道和目标车道前后车数据获取）
Mr.J的博客
07-25 4070
本文通过对Python代码的编写，实现对HighD数据集中车辆变道时本车及当前车道和目标车道的前后车数据获取，使用获取的数据可进行换道决策，模型验证等研究。
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
High D数据集（车辆轨迹预测-换道研究最新数据集 ）
10-20
该数据集包括2017年和2018年期间从科隆周围德国高速公路的无人机视频记录中提取的11万辆车辆的后处理轨迹，包括汽车和卡车（见图5）。 在六个不同地点，记录了60次，平均长度为17分钟（共16.5小时），覆盖了约420米长的路段。
NGSIM US-101汽车轨迹公开数据集
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0820-0835、0805-0820、0750-0805三个时间段的数据 3.数据格式为.txt
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 4983
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...
Python数据处理----highD数据集中提取车辆变道时刻后车thw
qq_53387643的博客
08-14 453
使用Python处理数据，例如在highD中提取数据时，首先要搞清楚自己要什么，然后再思考可以添加什么条件来实现它。
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 4395
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...
NGSIM数据集特征提取-对数据添加特征，筛选出换道车辆
wulin的博客
04-26 2759
ngsim数据集处理
自动提取并整理数据and对数据进行分通道加噪_根据信噪比分通道加噪_matlabansys_ansys数据提取_ansys_自动
10-03
使用matlab程序编辑的小程序，作用是自动提取整理ANSYS加速度响应数据，把一个n行1列的向量，转换为一个i行j列的矩阵。对提取的加速度响应进行分通道加噪。
SqlMDF数据提取工具
01-11
1、断电导致数据库文件损坏。 2、企业管理器误删除数据表记录，账套管理器删除。 3、并闩锁错误 格式化 误删除后导致软件不能使用的情况。 4、普通数据恢复软件恢复出来的数据库不能使用的情况，我们会会从碎片提取修复。 5、系统表损坏、索引错误、误删除数据库表、删除记录的数据找回。 6、、系统崩溃只剩下Sqlserver数据文件的情况下的恢复，即无日志文件或者日志文件损坏情况下的恢复。 7、SqlServer数据文件内部存在坏页情况下的恢复。 8、在Sql Server运行在简单日志模式、完全日志模式或者大容量日志记录模式下数据被误(drop、delete、truncate）删除表恢复,updata后的数据恢复等。 9、Sql Serve文件无法附加情况下的数据恢复。 10、Sql Server数据库被标记为可疑，不可用等情况。 11、Sql Server数据库SysObjects等系统表损坏无法正常应用情况下的恢复。 12、Sql Server数据库只有数据文件 没有任何日志的情况下的恢复。 13、Sql Server2000、Sql Server2005、SQL2008数据库master数据库损坏而无法正常运行情况下的恢复。 14、Sql server还原时报一致性错误，错误823等情况下的数据恢复,各种错误提示的数据库文件修复。 15、可恢复因硬盘坏道造成的数据库损坏。 16、可修复日志收缩或突然断电后的数据库。 17、可从SQL数据库备份文件BAK中恢复完整数据库。 18、磁盘阵列上的SQL SERVER数据库被误格式化等情况下的数据库恢复。 19、数据库无法安装、帮助重新安装数据库。 20、无法读取并闩锁页修复。
换道-vid8-Total_Frames395.0-Lane_ID[5. 6.].csv
05-11
车辆公开轨迹数据集NGSIM提取出的us-101数据集，进一步对第一车道数据处理得到的车辆id为8的换道轨迹数据 适合研究车辆轨迹，车辆变道行为，跟驰行为。
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轨迹数据集
09-24
美国高速公路车辆驾驶行为轨迹数据集，包含了US101的txt和全部的csv文件，需要自取，可作标定车辆驾驶行为参数，作驾驶模拟分析统计等用途。
道路行人数据集汇总
weixin_38907560的博客
07-28 1万+
  1、Caltech Pedestrian Detection Benchmark http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/ 加州理工学院行人数据集包含大约10个小时的640x480 30Hz视频，这些视频是通过在城市环境中正常行驶的车辆拍摄的。大约250,000帧（137分钟左右），共计350,000个...
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（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'
NGSIM车辆信息和时刻信息提取程序
weixin_61975705的博客
10-20 1119
NGSIM车辆信息和时刻信息提取程序
ngsim变道数据提取
最新发布
12-05
ngsim（Next Generation Simulation）是一种用于交通仿真和数据收集的工具，可以帮助研究人员分析交通流动模式、车辆行为和道路安全性。在ngsim数据中，变道数据的提取是指从交通视频中识别和记录车辆变道的过程。通常通过计算机视觉和图像处理技术，对交通视频进行分析，提取出车辆的位置、速度、加速度等信息，从而识别车辆的变道行为。 变道数据的提取通常包括以下步骤：首先是对交通视频进行预处理，包括去噪、车辆检测和跟踪等。然后通过轨迹分析和运动学模型，识别车辆的变道行为，包括变道的时刻、位置以及变道的方式（如变道时的速度变化）。最后将提取的变道数据进行整理和分析，得出车辆变道的特征和规律，为交通管理和道路设计提供参考。 在ngsim变道数据提取中，需要考虑的因素包括车辆的类型、交通流量、道路地形和交通信号等，这些因素都会对车辆的变道行为产生影响。通过分析提取的变道数据，可以帮助交通研究人员了解车辆变道的规律和驾驶行为，为改善交通系统和提高道路安全性提供指导。 总之，ngsim变道数据提取是一项复杂的工作，需要结合计算机视觉、运动学模型和交通工程知识，通过对交通视频的分析，提取车辆变道的相关信息，为交通研究和交通管理提供支持。

“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 2
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