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。