本文旨在介绍如果获取highD数据集中车辆变道起止点的前后车车辆数据。有关highD数据集的介绍等不再赘述。此外，文章中仅介绍部分重点代码，若有疑问可与本人联系，并欢迎探讨，V：A2528945820

• 变道起止点的判定原则

        在进行数据获取时，首先应明确变道起止点的判定原则，在变道轨迹起点的判定中，文献常用横向速度0.2这一标准，但在实际判定时，如果单纯使用这一指标，无法排除车辆正常摆动的情况。在本文中，使用横向位移连续变化的起点作为变道轨迹起点。该部分重点代码如下：

           if (lst_y[-3]-lst_y[-2]) * (lst_y[-2]-lst_y[-1]) > 0:
               lst_1 = []
               diff_y_before = np.diff(lst_y)
               judegement_product = [diff_y_before[i]*diff_y_before[i+1] for i in range(len(diff_y_before)-1)]     #生成y差值乘积列表
               for i_0 in enumerate(judegement_product):
                   if i_0[1] <= 0:
                       lst_1.append(i_0[0])           #添加y差值乘积小于等于0的索引
               if lst_1:
                   index_before = max(lst_1)+1           #小于等于0的最大索引+1即为提取点索引
               else:
                   index_before = 0

               return [lst_y[index_before], lst_t[index_before]]

        以横向位移连续变换的终点，作为换道结束点，代码原理同上。

• 变道起止点前后车数据获取

        通过上述起止点的判别，结合原始数据可得到车辆的变道起止点时刻，对应的前后车ID等信息，通过这些信息即可得到与前后车的速度、距离等信息。

def get_near_data(O_data,time):
    '''
    获取邻近车辆数据
    :param O_data: 本车在time时刻的数据
    :param time: 时刻
    :return: 与邻近车辆距离，速度差
    '''
data_time = data[data.frame == time]
O_V = list(O_data['xVelocity'])[0]
O_x = list(O_data['x'])[0]
P_ID = list(O_data['precedingId'])[0]
F_ID = list(O_data['followingId'])[0]

        通过上述代码获取前后车的ID信号，结合原始数据进行匹配即可获得前后车的速度，坐标等信息。