project_20260813_014231_9dbe9212

该数据集是巴西-阿根廷物流网络每日运输质量快照，由一家中巴合资物流公司的圣保罗SRE/质量改进团队生成，用于驱动持续的质量改进计划（QIP）。数据来自车队GPS遥测箱、车载温湿度记录仪、仓库交接记录、边境过境排队遥测和加油卡事件，每晚00:30 BRT从车队数据湖中摄取并合并为每日快照。每条记录代表一次完成的卡车运输，包含13个字段：shipment_id（唯一标识）、route（路线对）、carrier（承运商）、origin（出发地）、destination（目的地）、departure_time（实际出发时间）、arrival_time（实际到达时间）、delay_minutes（延迟分钟数）、damage_flag（货物损坏标志）、temperature_deviation（温度偏差）、humidity_deviation（湿度偏差）、fuel_consumption（燃油消耗量）、quality_score（综合质量评分0-100）。数据集规模为2000条记录，仅包含训练集（Parquet格式），覆盖巴西、阿根廷、乌拉圭和巴拉圭的主要物流枢纽（如圣保罗、里约热内卢、布宜诺斯艾利斯等）。数据生成采用种子为42的可重现模拟，统计校准以真实反映南美网络中的故障模式，包括边境拥堵、阿根廷农产品的冷链漂移以及雨季道路条件。该数据集适用于物流运输质量预测、异常检测、延迟分析、冷链监控、燃油效率优化等任务，并支持每日重新训练策略。This dataset is a daily snapshot of transportation quality in the Brazil-Argentina logistics network, generated by the São Paulo SRE/Quality Improvement team of a Sino-Brazilian joint venture logistics company to drive continuous quality improvement programs (QIP). Data is collected from fleet GPS telematics boxes, onboard temperature and humidity recorders, warehouse handover records, border crossing queue telemetry, and fuel card events, ingested and merged into daily snapshots at 00:30 BRT each night from the fleet data lake. Each record represents one completed truck shipment and contains 13 fields: shipment_id (unique identifier), route (route pair), carrier (carrier), origin (origin), destination (destination), departure_time (actual departure time), arrival_time (actual arrival time), delay_minutes (delay in minutes), damage_flag (cargo damage indicator), temperature_deviation (temperature deviation), humidity_deviation (humidity deviation), fuel_consumption (fuel consumption), quality_score (comprehensive quality score 0-100). The dataset consists of 2000 records, only the training set (Parquet format), covering major logistics hubs in Brazil, Argentina, Uruguay, and Paraguay (e.g., São Paulo, Rio de Janeiro, Buenos Aires, etc.). Data generation uses reproducible simulation with seed 42 and statistical calibration to realistically reflect failure modes in the South American network, including border congestion, cold chain drift for Argentine agricultural products, and rainy season road conditions. The dataset is suitable for tasks such as logistics transportation quality prediction, anomaly detection, delay analysis, cold chain monitoring, fuel efficiency optimization, and supports daily retraining strategies.

原始信息汇总

数据集概述

数据集名称：Brazil–Argentina Logistics Daily Transport Quality Dataset
项目编号：project_20260813_014231_9dbe9212
所属机构：中国–巴西合资物流公司（圣保罗SRE质量改进团队）
数据快照日期：2026-08-13（质量改进计划第1天）

---

数据内容与用途

该数据集记录了南美物流网络（巴西、阿根廷、乌拉圭、巴拉圭）中卡车运输的日度质量快照，每行代表一次已完成运输。数据用于支持公司的持续质量改进计划（QIP），实现运输质量全流程追踪、可复现和共享。

---

数据来源与采集方式

• 数据来源：车辆GPS定位盒、车载温度/湿度记录仪、仓库交接记录、边境通关排队遥测、加油卡消费事件。
• 采集时间：每日凌晨00:30（巴西时间）从车队数据湖采集，并整合为单一日度快照。
• 数据性质：字段为模拟但经统计校准的数据，忠实重现南美网络中的常见故障模式（如边境拥堵、阿根廷农产品冷链漂移、雨季损坏）。生成器使用固定种子（seed=42），完全可复现。

---

更新频率与规模

• 更新频率：每日生成新快照，文件按日写入train分割，历史数据保留用于趋势分析。
• 数据量：共2,000条运输记录，全部位于train分割（100%），格式为Parquet列式存储。
• 地理范围：覆盖巴西（圣保罗、里约热内卢、库里蒂巴、阿雷格里港、桑托斯、坎皮纳斯）、阿根廷（布宜诺斯艾利斯、罗萨里奥、科尔多瓦）、乌拉圭（蒙得维的亚）、巴拉圭（亚松森）。
• 承运商：TransBrasil、AndesCargo、MercosulLog、PampaFreight、RioGrandeTruck、PatagoniaExpress、LitoralLog、SerraTruck。

---

字段说明

字段名	类型	描述
shipment_id	string	唯一运输标识，如SH-20260813-00001
route	string	起终点对，如São Paulo → Buenos Aires
carrier	string	承运公司名称
origin	string	出发城市
destination	string	到达城市
departure_time	timestamp	实际出发时间（America/Sao_Paulo，UTC-3）
arrival_time	timestamp	实际到达时间
delay_minutes	int	总延误分钟数（准时为0）
damage_flag	int	货物损坏标记（1=损坏，0=完好）
temperature_deviation	float	温度偏差（°C，带符号）
humidity_deviation	float	相对湿度偏差（%RH，带符号）
fuel_consumption	float	总燃油消耗（升）
quality_score	float	综合质量评分（0–100，100为完美）

---

数据中反映的南美物流常见故障模式

1. 边境拥堵：巴西–阿根廷/乌拉圭/巴拉圭跨境运输（如圣保罗↔布宜诺斯艾利斯、阿雷格里港↔布宜诺斯艾利斯等）因伊瓜苏/自由港排队及海关手续，延误显著更高。
2. 阿根廷农产品冷链漂移：潘帕斯走廊（布宜诺斯艾利斯↔罗萨里奥、科尔多瓦↔罗萨里奥等）运输中温度/湿度偏差较大，反映冷藏/新鲜谷物、牛肉和柑橘类货物的处理情况。
3. 雨季路况：高降雨走廊的损坏率更高，且燃油消耗额外增加（雨季因子按走廊建模）。

---

质量改进目标（QIP）

1. 将高风险订单比例降至5%以下（当前异常模型标记率为5.0%）。
2. 通过边境时段预约，30天内将平均边境延误降低15%。
3. 通过出发前冷藏校准，使阿根廷农产品冷链偏差降低20%。
4. 通过路线重规划和装载固定标准，将雨季损坏率降低10%。
5. 通过避开拥堵走廊，实现每吨公里燃油消耗降低10%。

日常KPI报告：高风险占比、平均延误、较过去7天基线的延误改善、损坏率、平均温度/湿度偏差、燃油效率。

---

数据使用

python from datasets import load_dataset ds = load_dataset("toolathon123/project_20260813_014231_9dbe9212", split="train")

关联产物：model/目录包含基于该快照训练的IsolationForest风险评分模型。

---

数据文件信息

• 文件格式：Parquet，文件路径为data/train-*。
• 下载大小：98,296字节；数据集总大小：314,282字节。
• 分割：仅train分割，包含2,000个样本。

搜集汇总

数据集介绍

构建方式

该数据集为巴西-阿根廷物流网络日常运输质量快照，由圣保罗SRE与质量改进团队联合构建，旨在支持南美物流网络的持续质量改进计划。数据源自车队GPS遥测箱、车载温湿度记录仪、仓库交接记录、边境通关遥测及燃油卡事件，于每日00:30 BRT从数据湖摄取并整合为单一快照，每一行代表一次完成的运输。字段通过统计学校准的模拟重建，忠实再现南美网络（如边境拥堵、阿根廷农产品冷链漂移、雨季损坏）的故障模式，生成器采用固定种子（seed=42），完全可复现。

使用方法

数据集通过HuggingFace datasets库加载，可使用Python代码`load_dataset("toolathon123/project_20260813_014231_9dbe9212", split="train")`轻松获取。该数据集适用于训练异常检测模型（如附带IsolationForest风险评分模型）、分析运输延误与损坏的关联因素、监测质量改进计划的KPI（如高风险订单比例、平均边境延误、冷链偏差等）。用户可根据字段字典进行特征工程，构建预测模型或执行统计检验，以驱动物流优化决策。数据集生成可复现，支持对比实验与长期追踪分析。

背景与挑战

背景概述

该数据集由中巴合资物流企业的圣保罗SRE/质量改进团队于2026年8月13日创建，作为其每日质量改进计划（QIP）的快照，聚焦于南美物流网络（巴西、阿根廷、乌拉圭、巴拉圭）的卡车运输质量监测。数据源自GPS遥测箱、温湿度记录仪、仓库交接记录及边境收费站遥测，整合了11个主要枢纽的2000条运输记录，涵盖延误、货物损坏、温度与湿度偏差、燃料消耗及综合质量评分等关键指标。该数据集旨在通过全链路可追溯性，量化并改善南美跨境物流中普遍存在的边境拥堵、冷链偏移及雨季路况导致的运输风险，为异常检测和运营优化提供数据基础，对区域物流效率提升具有直接的实践价值。

当前挑战

该数据集所解决的领域问题聚焦于南美物流运输的质量监测与优化，核心挑战包括：跨境运输中边境拥堵导致的高延误（如Foz do Iguaçu、Paso de los Libres口岸排队）、阿根廷农产品冷链运输中的温湿度漂移（如潘帕斯走廊的谷物、牛肉和柑橘运输）、雨季道路条件引发的货损率升高及燃油消耗增加。这些故障模式在数据中通过延误分钟数、损坏标志、温湿度偏差和燃料消耗等字段明确表征。构建过程中，数据源于模拟但经统计校准的遥测重建，忠实再现了南美网络的典型故障模式，但需注意生成器采用固定种子（seed=42），确保可重复性，同时也限制了数据多样性；每日快照更新与100%的单一训练划分，可能影响模型对时间趋势和分布漂移的鲁棒性，需通过每日重训策略予以缓解。

常用场景

经典使用场景

该数据集作为巴西-阿根廷南美物流网络日常运输质量快照，记录了2000条卡车运输的完整信息，包括运输路线、承运商、出发与到达时间、延误时长、货损标记、温湿度偏差、燃油消耗及综合质量评分。其经典使用场景涵盖物流运输质量评估、准时绩效分析以及货运风险识别。研究者可基于此数据构建运输时效预测模型，探究边境拥堵、冷链漂移及雨季路况对运输结果的影响，或运用异常检测算法识别高风险订单，从而支撑物流运营的精细化管理与优化决策。

解决学术问题

该数据集着力解决跨境物流运输中的多重学术难题。其一，依托细粒度的延误数据和地理信息，可量化分析边境检查、通关手续等非关税壁垒对跨境运输时效的阻滞效应，为国际贸易与区域经济一体化研究提供实证素材。其二，结合温湿度偏差与货损标记，能够探究冷链物流中环境控制失效的致因机理，为生鲜农产品跨境运输的质量保障提供理论依据。其三，通过燃油消耗与路线、天气等变量的关联分析，推动运输能效优化研究，助力低碳物流与可持续发展目标的学术探讨。

实际应用

在实际应用中，该数据集直接服务于南美物流企业的持续质量改进计划（QIP）。企业可依托每日快照监控高风险的订单占比、平均延误时长、货损率及燃油效率等关键绩效指标，并据此调整跨境班次预约策略、优化冷柜预冷校准流程、制定雨季绕行方案及装载加固标准。此外，数据集支持开发实时运输风险预警系统，帮助调度中心主动干预异常在途事件，降低运营成本并提升客户满意度。其每日更新的特性亦为构建自适应学习型物流管理平台提供了坚实的数据基础。

数据集最近研究

最新研究方向

该数据集聚焦于南美物流网络运输质量的持续改进，其前沿研究方向在于构建可复现的日常质量快照，以支持基于异常检测的实时风险识别与干预。当前研究热点集中于利用隔离森林等机器学习模型对跨境运输中的边境拥堵、冷链偏移及雨季货损等典型故障模式进行预测性分析，并结合多源遥测数据（GPS轨迹、温湿度记录、油耗事件）实现全链路可追溯性。此数据集的发布不仅为拉美区域供应链韧性研究提供了标准化基准，其每日更新机制更助力动态KPI评估与再训练策略的优化，对推动跨境物流的智能化质量管理具有示范意义。