RRNCO real-world VRP dataset

RRNCO真实世界VRP数据集是由韩国釜山大学、韩国科学技术院(KAIST)和Omelet公司共同创建的。该数据集包含了来自全球100个城市的真实世界数据，每个城市都包含了地点、距离和持续时间矩阵等信息，考虑了实际的路由距离和持续时间，旨在为训练和测试神经组合优化模型提供多样化的城市拓扑结构和实际的路由信息。

The RRNCO Real-World Vehicle Routing Problem (VRP) Dataset was co-created by Pusan National University of the Republic of Korea, Korea Advanced Institute of Science and Technology (KAIST), and Omelet Inc. This dataset comprises real-world data sourced from 100 cities worldwide. For each individual city, it contains information such as locations, distance matrices and duration matrices, taking into account actual routing distances and travel durations. It is designed to provide diversified urban topologies and practical routing information for training and testing neural combinatorial optimization models.

AI搜集汇总

数据集介绍

构建方式

RRNCO数据集的构建过程分为三个主要步骤。首先，基于多维城市描述符（如形态、交通流模式、土地利用混合度）从全球范围内选取了100个城市，确保地理和城市布局的多样性。其次，利用开源路由机器（OSRM）生成城市地图，提取精确的地理坐标及其对应的距离和持续时间矩阵。最后，通过对这些拓扑数据进行高效子采样，生成具有不同操作约束的多样化VRP实例，保留了空间关系并快速生成实例。

特点

RRNCO数据集的特点在于其真实性和多样性。数据集涵盖了100个城市的实际路由数据，包括距离和持续时间矩阵，这些数据通过OSRM计算得出，反映了现实世界中的不对称性和复杂性。数据集不仅包含城市的地理坐标，还生成了节点特定的特征，如需求和时间窗口，确保了数据集的广泛适用性和现实世界的代表性。

使用方法

RRNCO数据集的使用方法主要围绕神经组合优化（NCO）模型的训练和测试展开。研究人员可以利用该数据集训练NCO模型，以解决现实世界中的车辆路径问题（VRP）。数据集提供了丰富的节点和边特征，支持模型在处理不对称距离和持续时间时捕捉复杂的结构信息。通过动态生成实例，数据集能够支持大规模的深度学习模型训练，并促进模型在真实场景中的部署和应用。

背景与挑战

背景概述

RRNCO（Real Routing Neural Combinatorial Optimization）数据集由KAIST和Omelet的研究团队于2025年推出，旨在解决现实世界中的车辆路径规划问题（VRP）。该数据集涵盖了全球100个城市的真实地理数据，包括位置坐标、距离矩阵和旅行时间矩阵，数据来源于Open Source Routing Machine（OSRM）。RRNCO的推出填补了神经组合优化（NCO）在合成数据与现实世界数据之间的鸿沟，特别是在处理非对称距离和旅行时间等复杂场景时。该数据集不仅为NCO模型提供了丰富的训练和测试数据，还推动了物流、供应链管理和城市交通等领域的研究与应用。

当前挑战

RRNCO数据集面临的挑战主要体现在两个方面。首先，现实世界的车辆路径规划问题具有高度的复杂性，包括非对称的旅行时间和距离、多样化的道路网络条件以及复杂的操作约束，这些因素使得传统的合成数据集难以有效模拟真实场景。其次，构建该数据集的过程中，研究人员需要处理大规模的地理数据，并通过OSRM生成精确的距离和时间矩阵，这一过程对计算资源和数据处理能力提出了极高的要求。此外，如何将节点和边的特征有效整合到NCO模型中，以捕捉现实世界中的复杂结构关系，也是该领域的一大挑战。

常用场景

经典使用场景

RRNCO数据集在车辆路径问题（VRP）的研究中具有广泛的应用场景，尤其是在需要处理真实世界复杂性的场景中。该数据集通过提供来自100个城市的真实距离和持续时间矩阵，能够有效模拟现实中的不对称路径和交通状况。经典的使用场景包括物流配送、城市交通规划以及灾难应急响应中的路径优化。研究人员可以利用该数据集训练和测试神经组合优化（NCO）模型，以解决复杂的VRP问题。

衍生相关工作

RRNCO数据集的发布推动了多个相关领域的研究进展。基于该数据集，研究人员开发了多种改进的NCO模型，如结合上下文门控和自适应偏置机制的模型，这些模型在真实世界的VRP问题上表现出色。此外，RRNCO数据集还激发了更多关于如何有效处理边缘特征和节点特征的研究，进一步推动了神经组合优化领域的发展。许多经典工作，如MatNet和POMO等，也在RRNCO数据集的基础上进行了扩展和改进，展示了该数据集在学术研究中的重要影响力。

数据集最近研究

最新研究方向

近年来，RRNCO（Real Routing Neural Combinatorial Optimization）数据集在车辆路径问题（VRP）领域的研究方向主要集中在如何将神经组合优化（NCO）方法从合成数据环境迁移到真实世界的复杂场景中。传统NCO方法在处理真实世界的不对称距离和旅行时间时表现不佳，主要依赖于简化的欧几里得距离假设，无法捕捉真实路网中的复杂约束条件。RRNCO通过引入包含100个城市的真实数据集，结合Open Source Routing Machine（OSRM）生成的距离和持续时间矩阵，填补了这一空白。研究热点包括如何通过上下文门控机制和神经自适应偏置模块（AAFM）有效处理节点和边的特征，从而捕捉节点之间的结构关系。这一方向的研究不仅提升了NCO在真实世界VRP中的性能，还为物流、供应链管理和城市交通等领域的优化提供了新的解决方案。RRNCO的开源数据集和代码进一步推动了该领域的开放研究，促进了更广泛的学术和工业应用。

相关研究论文

• Neural Combinatorial Optimization for Real-World Routing

  韩国釜山大学, 韩国科学技术院(KAIST), Omelet公司 · 2025年