UXOFFER1. 项目背景与核心价值
在智能交通系统快速发展的今天，理解驾驶员的个性化行为特征成为提升道路安全与交通效率的关键。NGSIM（Next Generation Simulation）数据集作为交通研究领域的标杆性资源，记录了真实道路环境中车辆的高精度轨迹信息，为驾驶行为分析提供了宝贵的数据基础。
这个项目的核心在于从海量轨迹数据中提取能够表征驾驶风格的关键特征，并运用高斯混合模型（GMM）进行聚类分析。不同于传统的规则式分类方法，这种数据驱动的方式能够更客观地揭示驾驶行为的连续谱特征，为以下场景提供支持：
- 个性化ADAS系统调校
- 高风险驾驶行为预警
- 交通流微观仿真参数校准
- 保险UBI模型优化
我在处理这类数据时发现，直接使用原始轨迹点会导致计算效率低下且噪声敏感。更有效的做法是构建能够反映驾驶决策模式的衍生特征，这也是本项目的技术突破口。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据预处理关键步骤
2.1 NGSIM数据解析
US-101和I-80数据集包含每0.1秒记录的车辆状态，主要字段包括：
- 车辆ID、帧号、时间戳
- 局部坐标系下的位置(x,y)
- 速度、加速度
- 与前车/后车的距离
- 车道位置信息
重要提示：原始数据存在约5%的异常值，主要表现为速度突变和坐标跳变，需先进行数据清洗
2.2 轨迹平滑处理
采用Savitzky-Golay滤波器进行平滑，其优势在于：
python复制from scipy.signal import savgol_filter
window_length = 15 # 1.5秒时间窗口
polyorder = 3 # 三次多项式
smoothed_x = savgol_filter(raw_x, window_length, polyorder)
smoothed_y = savgol_filter(raw_y, window_length, polyorder)
参数选择依据：窗口长度应覆盖典型驾驶决策周期（1-2秒），多项式阶数过高会导致过拟合。
2.3 特征工程构建
通过轨迹数据计算以下6类特征（每类包含3-5个子特征）：
| 特征类别 | 计算方式 | 物理意义