附件3：基于车辆轨迹数据的机动车驾驶行为评价标准（征求意见稿）.docx

车辆原始轨迹数据

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。

下一代交通仿真中2005年采集的101道路数据和滤波程序，可以利用该滤波程序处理其他车辆轨迹数据。适合入门学习智能交通的朋友。