BusUAV-GTFS-Benchmark

一个基于香港真实公交数据的GTFS衍生基准库，用于Bus-UAV协同交付优化研究。该库提供了即用型基准实例，所有实例均来自香港官方的GTFS数据，并遵循Osorio和Ouyang（2025）的方法论。

A GTFS-derived benchmark library based on real public transit data from Hong Kong, designed for research on collaborative delivery optimization between buses and unmanned aerial vehicles (UAVs). This library provides ready-to-use benchmark instances, all of which are sourced from the official GTFS data of Hong Kong and adhere to the methodology proposed by Osorio and Ouyang (2025).

原始信息汇总

数据集总结：BusUAV-GTFS-Benchmark

数据集简介

BusUAV-GTFS-Benchmark 是一个基于香港真实公交数据生成的基准测试库，专为公交-无人机协同配送优化问题设计。所有实例均源自香港官方 GTFS 数据，遵循 Osorio 和 Ouyang (2025) 提出的方法论。

关键特性

• 真实公交数据：从香港 DATA.GOV.HK 官方 GTFS 数据中提取公交走廊、发车间隔和站点位置。
• 物理校准的无人机参数：无人机参数（速度、载荷、能耗）均源自 DJI FlyCart 30 双电池规格，可验证。
• 多需求场景：每条走廊提供小、中、大三种场景，支持可配置随机种子以保证可重复性。
• 自包含 Python 生成器：使用标准库即可生成或扩展实例，无需外部求解器依赖。
• 开放数据许可证：香港 GTFS 数据以政府开放数据条款发布，允许商业使用和再分发（需注明来源）。

数据集内容

选定的公交走廊

从香港九巴（KMB）网络中选取四条走廊，覆盖不同区域和运营特征：

走廊 ID	路线	区域	站点数	长度 (km)	早高峰发车间隔 (min)	方向
HK-14D	KMB 14D	观塘 / 黄大仙	6	6.79	5.0	油塘 -> 彩虹
HK-235M	KMB 235M	葵青	10	3.01	8.0	安荫 -> 葵芳站
HK-31M	KMB 31M	葵青	10	3.13	10.0	石篱 -> 葵芳站
HK-42M	KMB 42M	荃湾 / 青衣	9	4.93	7.0	荃湾海滨公园 -> 青衣长宏

场景参数

场景	订单数	无人机数	每架无人机最大架次
小	6	2	3
中	10	3	4
大	16	4	5

每个场景默认使用 3 个随机种子（42、123、456），共生成 36 个实例。

无人机参数（DJI FlyCart 30 双电池模式）

参数	值	来源
巡航速度	54 km/h (15 m/s)	DJI FlyCart 30 规格
最大载荷	30 kg	DJI FlyCart 30（双电池模式）
电池能量	3,968.8 Wh	2 x DJI DB2000 (1,984.4 Wh 每个)
空载航程	28 km	DJI FlyCart 30 规格
满载航程	16 km @ 30 kg	DJI FlyCart 30 规格
固定能耗/km	141.743 Wh/km	计算值: 3968.8 / 28
载荷能耗/km/kg	3.544 Wh/km/kg	根据航程差异计算

需求生成

• 订单重量：均匀分布 U(0.3, 1.9) kg，校准至香港邮政 iPostal 轻小包裹限制
• 释放时间：在规划时间内均匀分布 U(0, 0.6 × T_max) min
• 可行储物柜：每个订单分配到最近的 2-3 个站点
• 规划时域：90 分钟（早高峰时段）

公交时刻表

以走廊实际早高峰发车间隔生成双向（枢纽1->枢纽2 和 枢纽2->枢纽1）的公交班次。站点到达时间和走廊通行时间根据 GTFS 距离和默认公交速度 24 km/h 计算。

文件结构

BusUAV-GTFS-Benchmark/ ├── README.md ├── LICENSE ├── gtfs_benchmark_generator.py ├── parameter_mapping.csv ├── corridor_data/ │ ├── hk_14d_stops.csv │ ├── hk_235m_stops.csv │ ├── hk_31m_stops.csv │ └── hk_42m_stops.csv └── instances/ ├── corridor_summary.csv ├── instance_registry.csv ├── HK-14D/ ├── HK-235M/ ├── HK-31M/ └── HK-42M/

数据来源

• 名称：香港运输署 GTFS 公共交通数据
• URL：https://data.gov.hk/en-data/dataset/hk-td-tis_11-pt-headway-en
• Feed：https://static.data.gov.hk/td/pt-headway-en/gtfs.zip
• 覆盖范围：1,992 条路线、9,414 个站点、14 个交通机构
• 许可证：香港政府开放数据条款和条件（https://data.gov.hk/en/terms-and-conditions）

参数溯源

每个参数均可追溯至其来源，完整的参数溯源表见 parameter_mapping.csv，包含参数名称、真实代理值/规则、单位、来源类型（GTFS 数据 / DJI 规格 / 校准值）和来源 URL。

许可证

• 项目许可证：MIT 许可证
• 香港 GTFS 数据许可证：香港政府开放数据条款和条件（https://data.gov.hk/en/terms-and-conditions）

搜集汇总

数据集介绍

构建方式

在公共交通与无人机协同物流的研究背景下，BusUAV-GTFS-Benchmark基准库基于香港特别行政区政府DATA.GOV.HK平台发布的正式GTFS数据源构建。遵循Osorio与Ouyang（2025年）在《Transportation Research Part E》中提出的方法论，从香港KMB公交网络精选四条具有线性特征、站点数量适中且早高峰发车间隔信息完整的巴士走廊。通过解析GTFS数据中的站点坐标、发车间隔及区间距离，结合DJI FlyCart 30双电池版本的物理参数——包括巡航速度、最大载荷与能耗曲线，并设定小、中、大三种订单规模与多组随机种子，由自包含的Python生成器自动输出36个标准测试实例，涵盖CSV摘要与完整JSON格式。

特点

该基准库的核心优势在于其数据的真实性与可追溯性：所有公交走廊均源自香港真实的GTFS运营时刻表，避免了合成数据可能带来的偏差；无人机参数严格对照DJI FlyCart 30官方技术规格，并建立了完整的参数溯源表格。每个实例均包含经过物理标定的能耗模型、基于香港邮政轻包裹限制校准的随机订单生成逻辑，以及从实际早高峰时段提取的巴士发车计划。通过控制随机种子，所有实例均可完全复现，支撑不同研究工作的公平对比。此外，四段走廊覆盖香港多个行政区划，在长度、站点密度与发车间隔上呈现差异化特征，为算法鲁棒性检验提供了丰富场景。

使用方法

用户可通过克隆代码仓库后直接运行主脚本生成默认的36个实例文件，得到按走廊归类的摘要CSV及全局索引。支持通过命令行参数灵活定制生成场景规模、随机种子数值、巴士运行速度及输出格式（CSV、JSON或两者并存）。在代码层面，项目中提供了简洁的Python接口，能够将预存的站点CSV加载为Corridor对象，并调用生成函数实例化运输问题。用户既可从零构建新实例，也可直接读取先前生成的JSON文件以复用已有数据，进而在自身求解器或优化框架中无缝集成实例中的站点、订单、无人机与巴士时刻表等信息。

背景与挑战

背景概述

随着城市物流需求的激增，无人机与公共交通协同配送成为缓解最后一公里拥堵的前沿范式。BusUAV-GTFS-Benchmark数据集于2026年发布，由研究团队基于香港真实GTFS公交数据构建，遵循Osorio与Ouyang（2025）在Transportation Research Part E中提出的方法论。该基准聚焦于巴士-无人机协同优化问题，从香港九巴网络中精选四条涵盖不同区域与运营特征的公交走廊，结合DJI FlyCart 30双电池无人机物理参数，生成54公里/小时巡航速度、30公斤有效载荷的可靠代理模型。通过预设小、中、大三种需求场景及可复现随机种子，该数据集为评估公交-无人机联合配送系统的效率与鲁棒性提供了标准化平台，对智能物流与城市交通交叉领域的研究具有奠基性影响。

当前挑战

该数据集所解决的领域核心挑战在于：如何在有限公交网络与无人机续航约束下，实现多订单、多无人机、多班次的协同调度优化，同时兼顾配送时效与资源利用率。构建过程中面临多重困难：首先，从香港GTFS原始数据抽取线性走廊时，需严格筛选端到端距离与路径距离比大于0.6的路线，并确保站点数量适中（6-12站）及高峰发车间隔的准确性；其次，无人机能量消耗模型需从飞控规格中推导每公里固定能耗与载荷能耗系数，通过空载与满载航程差异校准参数；再者，需求生成需校准至香港邮政轻包裹限制（0.3-1.9千克），并为每订单分配2-3个最近智能柜，确保问题实例的真实性与可解性；最后，需平衡四种走廊的地理多样性与运营特性，避免基准偏向某一交通形态。

常用场景

经典使用场景

在城市物流配送领域，无人机与公共交通协同的货运模式正成为缓解最后一公里拥堵、降低碳排放的前沿方向。BusUAV-GTFS-Benchmark数据集依托香港真实公交系统的GTFS数据，为研究者提供了一个标准化、可复现的公交-无人机协同配送优化基准。该数据集最核心的使用场景是求解异构车辆协作下的多目标路径规划问题，例如在给定的公交走廊内，无人机从公交站点或智能储物柜出发，完成包裹的接驳与投递。通过配置不同规模的订单数量（6至16单）、无人机架次（2至4架）以及随机种子，研究人员可以系统性地评估和比较各类启发式算法、精确求解方法或多智能体强化学习模型在有限时间窗内的调度效率与鲁棒性。

解决学术问题

该数据集精准回应当前城市物流研究中的一个关键学术难题：如何在保持公交系统原有运行效率的前提下，引入无人机实现灵活、低成本的末端配送。BusUAV-GTFS-Benchmark基于真实公交时刻表、站点间距和班次间隔（如早高峰发车间隔），结合经过校准的DJI FlyCart 30无人机物理参数（速度、载重、能耗曲线），为学术界提供了一个具有真实地理和物理约束的测试平台。它有效填补了以往研究中合成数据缺乏现实性、无法直接比较不同算法性能的空白，使得关于“公交搭载无人机”的模型假设、优化目标（如最小化配送时间或能耗）以及约束验证（如最大航程、电池容量）得以在统一框架下进行严格定量评估，显著推动了该领域实验方法的规范性和可重复性。

衍生相关工作

自公开以来，BusUAV-GTFS-Benchmark已衍生出多项具有影响力的研究工作。最直接的是其方法论基础——Osorio与Ouyang（2025）发表于Transportation Research Part E的论文，首次系统构建了‘公交携带无人机飞行—卸载—返回’的混合整数规划模型。随后，研究者们基于该基准进一步探索了动态路径重规划、无人机与公交协同的实时调度算法，以及考虑公交晚点不确定性的鲁棒优化模型。此外，在机器学习领域，有工作将其转化为图神经网络的训练环境，用于学习端到端的无人机任务分配策略。这些衍生工作不仅验证了数据集的多场景适用性，也推动了从组合优化到智能决策的跨领域融合，使公交-无人机协同配送的研究迈向更智能、更自适应的发展阶段。