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

包含Peachtree-Street-Atlanta上三个数据段，可用于路径预测研究．具体数据见vehicle-trajectory-data.zip 友情提示：1.6G的CSV数据是全量的NGSIM数据，但大多数的论文均采用数据片段进行研究