MOVEOD

MOVEOD是一个开源的数据集合成框架，用于生成美国各县的细粒度、时间依赖的OD数据集。它整合了多个公开数据源，包括美国社区调查（ACS）的出发时间和旅行时间分布、纵向雇主-家庭动态（LODES）的居住地到工作地点的流动、县地理信息、OpenStreetMap（OSM）的道路网络信息和建筑足迹以及Microsoft建筑足迹。通过约束抽样和整数规划方法，将OD数据集与ACS和LODES的数据进行协调，以确保数据准确反映通勤模式。该框架能够生成大约150,000个合成行程，可用于评估机器学习模型、政策干预和交通系统。

MOVEOD is an open-source dataset synthesis framework for generating fine-grained, time-dependent Origin-Destination (OD) datasets at the county level in the United States. It integrates multiple public data sources, including departure time and travel time distributions from the American Community Survey (ACS), residence-to-workplace flows from the Longitudinal Employer-Household Dynamics (LODES) dataset, county geographic information, road network data and building footprints from OpenStreetMap (OSM), as well as Microsoft building footprints. Through constrained sampling and integer programming methods, the OD datasets are aligned with data from ACS and LODES to ensure accurate reflection of commuting patterns. This framework can generate approximately 150,000 synthetic trips, which can be utilized to evaluate machine learning models, policy interventions, and transportation systems.

搜集汇总

数据集介绍

构建方式

MOVEOD数据集通过融合美国社区调查（ACS）的出发时间与通勤时长分布、纵向雇主-家庭动态（LODES）的居住-工作地流动数据、OpenStreetMap道路网络信息及微软建筑足迹等多源开放数据，构建了精细化的通勤起讫点分布。其核心采用约束采样与整数规划方法，通过匹配起点区域通勤总量、对齐工作地就业分布、以及校准通勤时长至ACS报告值，确保生成数据在空间与时间维度均符合真实通勤模式。该流程实现了从宏观统计到建筑级分钟级时空解析的自动化合成，为交通建模提供了高保真基础。

使用方法

用户可通过轻量级浏览器界面选择目标县区及年份，系统将自动调用ACS、LODES、OSM等公开数据源，在数分钟内生成校准后的起讫点数据。输出结果包含建筑坐标、出发与到达时间戳、路径行程时长等字段，可直接用于交通流模拟、公交线路优化或车辆路径规划等下游任务。该数据集支持经典算法与深度学习模型的性能评估，其模块化设计亦允许研究者整合其他时空数据源，以适应特定政策场景或跨国比较研究需求。

背景与挑战

背景概述

MOVEOD数据集由范德堡大学研究团队于2025年提出，旨在解决交通规划领域高分辨率起讫点数据稀缺的核心问题。该数据集通过融合美国社区调查的出行时间分布、纵向雇主-家庭动态的职住流数据、开放街道地图的建筑足迹等多源公开数据，构建了覆盖全美各县的精细化通勤OD矩阵。其创新性体现在将空间粒度细化至建筑级别、时间精度达分钟级，为交通流量建模、信号优化及公共交通规划提供了前所未有的数据支撑，显著推动了智能交通系统与城市计算研究的发展。

当前挑战

在领域问题层面，MOVEOD需应对传统OD数据采集方法存在的时空覆盖局限与模态单一性挑战，尤其需克服小规模交通机构缺乏集成数据管道的困境。构建过程中面临多源异构数据融合的复杂性，包括如何通过约束采样与整数规划方法协调ACS与LODES数据的统计差异，以及确保建筑级空间分配与分钟级时间戳的合理性。此外，校准合成行程时间与ACS自报告数据的系统偏差，维持合成数据在边际分布与空间一致性间的平衡，亦是关键技术难点。

常用场景

解决学术问题

MOVEOD有效解决了交通研究领域中高分辨率OD数据稀缺的核心难题。传统方法依赖的家庭出行调查或移动设备轨迹数据往往存在空间覆盖不全、时间分辨率低下等问题。该数据集通过约束采样和整数规划方法，将分散的公共数据源融合成具有建筑级空间精度和分钟级时间分辨率的通勤流数据，显著提升了交通需求建模的准确性。其创新性在于建立了多源数据间的统计一致性框架，为跨区域交通比较研究和机器学习模型验证提供了标准化基准，推动了交通人工智能领域的可复现性发展。

实际应用

该数据集在实际交通系统中展现出广泛的应用价值。城市交通管理部门可利用其进行公交线路优化设计，通过分析建筑级别的通勤流向精准配置公共交通资源。网约车平台能够基于时空分布特征动态调整车辆调度策略，提升共享出行效率。在基础设施规划方面，道路网络扩容决策和交叉口改造方案均可借助数据驱动的通勤模式分析获得科学依据。特别对于美国3000多个缺乏综合数据管道的小型交通机构，MOVEOD提供了低成本获取高质量OD数据的可行路径，促进了交通服务的均衡发展。

数据集最近研究

最新研究方向

在智能交通系统快速发展的背景下，MOVEOD数据集通过融合美国社区调查（ACS）和纵向雇主-家庭动态（LODES）等公开数据源，构建了建筑级时空精度的通勤起讫点分布。该数据集推动了交通建模领域从传统静态分析向动态多模态规划的范式转变，其开源特性促进了跨区域可复现研究，尤其在车辆路径优化和需求响应式公交调度等前沿应用中成为关键基准工具。近期研究热点集中于利用生成式方法弥补小城市交通数据缺口，并通过整数规划校准技术提升合成数据与真实出行模式的统计一致性，为智慧城市基础设施决策提供了可扩展的解决方案。

相关研究论文

• 通过

  范德堡大学 · 2025年