对NGSIM数据做了交互信息处理后的保存的数据集,与原数据集相比,这里面包含了车辆的交互信息。

matlab车辆跟驰仿真代码该存储库包含MATLAB代码，用于处理新一代模拟（NGSIM）州际80（I-80）车辆轨迹数据集，并提取领导者跟随者车辆轨迹对。 这些对可用于分析驾驶行为并建立汽车跟随模型。 车道变更情景已删除。 脚步： 从NGSIM网站下载数据。 转到创建帐户并搜索数据I-80。 下载车辆轨迹数据。 此项目中使用了RETRACTERTED trajectories-400-0415_NO MOTORCYCLES.csv。 获取csv文件后，将其添加到项目文件夹下并运行saveNGSIMdata.m 运行main.m，其中包含一个示例，该示例在通道2上绘制轨迹对1。

车辆原始轨迹数据

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。

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。

NGSIM轨迹数据数据 I-80数据，全量的txt，格式化数据，有详细的英文介绍，可用于数据挖掘，自动驾驶轨迹预测等。

首先，本文建立了两步轨迹重构算法。⑴运用小波变换和物理约束有效地识别出 NGSIM 车辆轨迹中的两类异常值，并分别用拉格朗日 5 次多项式和 3 次多项式对两类异常值进行重新估计。⑵然后再用卡尔曼滤波对轨迹中的测量误差进行滤波处理，以减少噪声的影响。以车辆编号为 1882 的轨迹为例，对该算法进行验证，结果表明该算法应用性良好。然后，将该算法应用到整个 NGSIM 车辆轨迹数据库中，对 1942 辆小汽车的纵向轨迹和横向轨迹进行重构。 其次，提取换道轨迹。从重构后的 NGSIM 车辆轨迹数据库中提取自由换道和强制换道轨迹，并运用 K 均值聚类法，有效的识别出 4 种换道失败的轨迹：由目标车道返回本车道；长时间骑线行驶；左右窜道；车道编号记录错误。最终，本文提取有效且成功的自由换道轨迹和强制换道轨迹 119 条和 45 条。 最后，换道行为特性研究。按照换道类型和换道方向，本文研究了换道时间分布和横向换道轨迹的拟合。在换道时间方面，本文建立基于规则的换道时间提取方法，并针对两种特殊情况做出了相应的约束，系统的分析了自由换道和强制换道、向左换道和向右换道的时间分布。在横向轨迹拟合方面，本文以平均绝对误差（MAE ）、平均平方根误差（RMSE）和平均相对平方根误差（RMSRE）为指标，探索多项式拟合。研究表明，向左、向右自由换道的横向轨迹和向右强制换道的横向轨迹适宜用 5 次多项式拟合；向左强制换道的横向轨迹以 4 次多项式拟合为宜。

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

包含i-80上三个数据段，可用于路径预测研究．具体数据见i-80-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i-80上的数据片段进行研究

包含US-101-LosAngeles上三个数据段，可用于路径预测研究．具体数据见i-80-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