moss-benchmark

该数据集用于NeurIPS 2024的交通系统优化基准测试，包含多种类型的交通数据，如拥堵、动态、性能、道路、潮汐和交通信号控制数据。

This dataset is developed for traffic system optimization benchmarking at NeurIPS 2024, and it encompasses various types of traffic data, including congestion data, dynamic traffic data, performance data, road network data, tidal traffic data, and traffic signal control data.

原始信息汇总

数据集概述

数据集结构

数据集包含以下文件夹：

• congestion
• dynamic
• perf
• road
• tidal
• tsc

数据集下载与解压

1. 下载数据集压缩包 data.tar.gz 并解压： bash tar xvf data.tar.gz

数据集内容

性能测试

• 文件夹：./Perf
• 结果保存路径：./log/${city}/${algo}_${n}.json

交通信号控制

• 文件夹：./TSC
• 结果保存路径：./log/${algo}/${city}/${date}/info.log

动态车道分配

• 文件夹：./DynamicLane
• 结果保存路径：./log/${algo}/${city}/${date}/info.log

潮汐车道控制

• 文件夹：./TidalLane
• 结果保存路径：./log/${algo}/${city}/${date}/info.log

拥堵定价

• 文件夹：./CongestionPricing
• 结果保存路径：./log/${algo}/${city}/${date}/info.log

道路规划

• 文件夹：./CongestionPricing

数据准备

1. 获取2019年的道路网络数据： bash python preparation/fetch_2019_geojsons.py

2. 找出2019年和2024年道路网络的差异： bash for city in beijing shanghai newyork paris; do python preparation/fetch_candidate_way_ids.py --candidate_way_path ./data/${city}_candidate_ways.pkl --city $city done

3. 选择优化道路： bash for city in beijing shanghai newyork paris; do for condition in smooth normal congested; do python exp/select_50_optimize_way_ids.py --opt_way_path ./data/${condition}${city}opt_ways.pkl --city $city --map_path ./data/moss.map_china${city}.pb --trip_path ./data/${condition}${city}_trip.pb --candidate_way_path ./data/${city}_candidate_ways.pkl done done

运行优化方法

• 结果保存路径：./log/${algo}/${city}/${date}/info.log

搜集汇总

数据集介绍

构建方式

moss-benchmark数据集的构建基于对多个城市交通系统的深度模拟与优化。该数据集通过从OpenStreetMap（OSM）获取2019年的道路网络数据，并与2024年的数据进行对比，识别出过去五年内新建的道路。随后，从这些新建道路中筛选出在早晚高峰时段车流量最高的50条道路，作为优化集。这一过程确保了数据集的现实性和针对性，为后续的交通系统优化提供了坚实的基础。

特点

moss-benchmark数据集的显著特点在于其多维度、多层次的数据结构。它不仅包含了道路网络的静态信息，还涵盖了动态的车流量数据，以及不同交通控制策略下的模拟结果。此外，数据集还提供了多种交通优化算法的基准测试结果，使得研究者可以直观地比较不同算法在实际交通环境中的表现。这种全面性使得该数据集成为交通系统优化研究的重要资源。

使用方法

使用moss-benchmark数据集时，首先需下载并解压数据集文件，随后安装必要的依赖包。数据集的各个子目录分别对应不同的交通优化场景，如交通信号控制、动态车道分配等。用户可以通过运行相应的脚本文件来执行实验，结果将自动保存为JSON格式。此外，数据集还提供了与CityFlow等基准模拟器的对比实验，用户可以通过应用提供的补丁文件来运行这些对比实验，从而全面评估不同算法的性能。

背景与挑战

背景概述

moss-benchmark数据集是由一支专注于交通系统优化研究的团队创建的，旨在为大规模交通模拟提供一个全面的基准测试平台。该数据集的核心研究问题是如何在GPU加速的环境下，优化交通系统的各种参数，如交通信号控制、动态车道分配、潮汐车道控制、拥堵定价和道路规划等。通过对比不同算法和模拟器的性能，研究人员可以更有效地评估和改进交通系统的效率和可靠性。该数据集的创建不仅推动了交通系统优化领域的发展，还为相关研究提供了宝贵的实验数据和基准测试工具。

当前挑战

moss-benchmark数据集在构建过程中面临多项挑战。首先，数据集需要处理来自不同城市和年份的复杂交通数据，确保数据的准确性和一致性。其次，如何在GPU加速的环境下高效运行大规模交通模拟，是一个技术上的难题。此外，数据集还需要支持多种交通优化算法和模拟器的对比测试，这要求数据集具有高度的灵活性和可扩展性。最后，数据集的维护和更新也是一个持续的挑战，确保其能够反映最新的交通系统优化技术和研究成果。

常用场景

经典使用场景

moss-benchmark数据集在交通系统优化领域中被广泛应用于性能评估和算法比较。其经典使用场景包括交通信号控制、动态车道分配、潮汐车道控制、拥堵定价和道路规划等。通过模拟不同城市的交通状况，研究人员可以评估和优化现有交通管理策略，从而提高交通系统的效率和可靠性。

实际应用

在实际应用中，moss-benchmark数据集被用于指导城市交通管理系统的优化和升级。例如，通过模拟不同交通管理策略的效果，城市规划者可以选择最优的交通信号控制方案，减少交通拥堵和提高道路使用效率。此外，该数据集还支持智能交通系统（ITS）的开发，为未来的智能城市交通管理提供了技术支持。

衍生相关工作

moss-benchmark数据集的发布催生了一系列相关研究工作，特别是在交通系统优化和智能交通领域。例如，基于该数据集的研究论文提出了多种新的交通管理算法，并在实际城市中进行了验证。此外，该数据集还激发了对交通数据分析和预测模型的研究，推动了交通科学的发展和应用。