sEMA处理NGSIM US101数据学习过程记录

1. 什么叫 smooth kernel

Smooth kernel 是在统计和机器学习中用于核密度估计（Kernel Density Estimation, KDE）的平滑函数，目的是对数据进行平滑处理，从而得到数据的概率密度函数。核密度估计是一种无参数的方法，通过将核函数应用于每一个数据点，并对所有点进行加权求和，来估计数据的概率密度。常见的核函数包括高斯核（Gaussian kernel）、双核（Epanechnikov kernel）、三角核（Triangular kernel）等。

smooth kernel 的公式如下：

其中：
- 是在点 \( x \) 处的估计密度。
- n 是样本大小。
- h 是带宽参数。
- K 是核函数，常见的有高斯核等。

2. sEMA 对于 NGSIM US101 数据的处理流程

以下是基于论文内容对 sEMA (symmetric Exponential Moving Average) 方法处理 NGSIM US101 数据的流程：

输入

- **原始数据**：NGSIM US101 数据集，包括车辆在特定时间间隔（dt = 1/10 秒）上的位置数据。
- **时间间隔**：dt = 1/10 秒。

处理流程

1. 初始化：
   - 读取原始轨迹数据 ，其中 表示车辆 α 在时间  处的轨迹点。

2. 定义平滑核函数：
   - 使用指数平滑核函数 ，其中T为平滑宽度。

3. 计算平滑宽度：
   - 根据时间间隔 dt 和平滑宽度 T，计算数据点的平滑宽度：
   

4. 应用平滑操作：
   - 对于每个时间点 ，应用指数平滑操作计算平滑后的位置 ：
     
     其中，Z 是归一化因子，平滑窗口宽度 。

5. 边界处理：
   - 对于靠近边界的数据点，减少平滑宽度，确保平滑操作的对称性。

6. 速度和加速度计算：
   - 对平滑后的位置数据进行数值微分，计算速度 和加速度 ：
   

输出

平滑后的位置、速度和加速度数据**：用于后续的轨迹分析和模型验证。

通过这种方法，sEMA 平滑算法能够有效减少原始数据中的噪声，提供更加平滑和准确的速度及加速度信息，从而提高轨迹数据的可靠性和应用价值。