基于NGSIM数据集（i-80和US101高速公路）的驾驶风格特征提取与高斯聚类分析方法。首先，通过对原始数据进行预处理，包括数据清洗、去除异常数据（如幽灵车辆）以及应用对称指数移动平均滤波算法（sEMA），确保数据的质量。接着，制定了详细的换道工况下的驾驶风格特征表，提取了三个关键特征：方向盘熵值、加速度方差和车道入侵指数，并进行了特征相关性分析。然后，利用高斯混合模型（GMM）进行聚类分析，得到了三种不同的驾驶风格类别：佛系组、战斗组和普通组。此外，还展示了代码的扩展性，可以通过简单的修改支持其他聚类算法，如SVM和K-means。实验结果显示，高斯聚类的效果优于其他方法，证明了所提方法的有效性和鲁棒性。 适合人群：交通工程研究人员、自动驾驶算法开发者、数据分析专家。 使用场景及目标：适用于需要从大规模交通数据集中提取驾驶风格特征并进行分类的研究项目。主要目标是识别不同驾驶风格的特点，为交通安全分析、智能交通系统优化提供依据。 其他说明：文中提供了具体的代码实现细节，便于读者复现实验结果。同时，强调了数据预处理和特征选择的重要性，指出这些步骤对于提高聚类效果的关键作用。

内容概要：本文探讨了基于NGSIM数据的Wiedemann99跟驰模型的标定过程及其优化方法。首先介绍了NGSIM数据集的特点及其在自动驾驶领域的应用价值。接着详细描述了使用Matlab实现Wiedemann99跟驰模型的具体步骤，包括编写自定义的RMSPE拟合优度函数，以及利用改进粒子群优化算法（IPSO）进行模型参数求解。通过对多个实验结果的分析，验证了所提出方法的有效性，提高了模型的精度和稳定性。 适合人群：从事自动驾驶技术研发的专业人士，尤其是对车辆跟驰模型有研究兴趣的科研人员和技术开发者。 使用场景及目标：适用于需要对标定Wiedemann99跟驰模型并提升其性能的研究项目。主要目标是在自动驾驶系统中提高车辆行驶的安全性和效率。 其他说明：文中提供的Matlab代码和IPSO算法实现为相关研究人员提供了宝贵的参考资料和技术支持。

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

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！

利用NGSIM数据处理程序（跟驰车辆）对NGSIM数据集进行处理得到的数据。处理过程是以目标车辆和前车为切入点，获取目标车辆跟随某一辆前车在连续时间戳下跟驰行驶的相关信息，信息包括目标车的横纵坐标（位置信息）、速度信息、加减速度信息、车道编号、前车ID、后车ID、与前车保持的车头间距和车头时距。目标车辆和前车的相关信息经过处理后存放在同一的文件夹中，文件夹是以目标车辆ID和其对应的前车ID组成，方便信息获取。 NGSIM数据集获取地址：https://download.csdn.net/download/weixin_50632459/40639518 NGSIM数据处理程序（跟驰车辆）获取地址：https://download.csdn.net/download/weixin_50632459/40632963

原始数据，需要进行筛选得到不同地点的数据集（us101,i80,LankershimBoulveard,PeachtreeStreest,其中前两个为高速公路上收集的数据，后两个为城市道路收集的数据），相较于HighD数据，NGSIM数据不易用于分析换道行为，因为NGSIM没有记录换道的车道的前后车id信息，需要自己筛选。

资源包括NGSIM全部数据，两条高速路（US-101,I-80）以及两条城市道路（peachtree,lankershim）。另外包含除peachtree外其他三条道路的实景图及示意图

处理NGSIM出具，通过Python代码实现对同一时间跟驰前车的速度读取与写入，并将两车速度差结果写入表格。

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

包括数据集和对应的路段图片