SVRPBench

SVRPBench是一个为城市规模下的车辆路径问题（VRP）设计的开放基准数据集，旨在捕捉高保真随机动态。该数据集包含超过500个实例，每个实例最多有1000个客户，模拟真实交付条件，如时间依赖性拥堵、对数正态延迟、概率性事故以及住宅和商业客户的经验时间窗口。数据集创建过程包括多阶段，从客户行为、交通模式、空间布局和路由约束模型开始，通过输入生成、随机建模、实例组装和评估框架等步骤，最终生成符合现实世界不确定性的问题场景。SVRPBench旨在挑战社区设计出能够超越合成假设并适应真实世界不确定性的解决方法，以加速开发适用于真实世界物流的鲁棒、可部署的路由算法。

搜集汇总

数据集介绍

构建方式

SVRPBench数据集的构建采用了高度模块化的生成流程，通过集成城市交通动态、客户行为模式和时空约束等多维要素，构建了包含500多个实例的基准测试集。其核心技术在于采用高斯混合模型模拟时间依赖性拥堵，基于对数正态分布生成随机延误，并依据实证数据建模住宅与商业客户的差异化时间窗口。空间布局通过K-Means聚类生成城市中心点，客户位置采用二维高斯分布采样，确保地理分布的真实性。每个实例均通过自动化验证流程，严格保证容量约束和时间窗口的可行性。

使用方法

使用该数据集时，研究者可通过Hugging Face平台直接加载预处理实例，或利用GitHub提供的生成器创建自定义场景。评估协议要求采用五重交叉验证，在相同随机种子下比较算法性能。核心指标包括考虑随机扰动的总成本（TC）、约束违反率（CVR）和解的可行性（FR）。对于学习类方法，建议先在10万合成实例上预训练，再在基准测试集上微调。数据集的动态元素可通过修改config.yaml中的分布参数进行适配，包括拥堵强度α∈[0.1,0.5]、事故频率λ∈[0.01,0.1]等。

背景与挑战

背景概述

SVRPBench是由MBZUAI的研究团队于2025年推出的首个面向随机车辆路径问题（Stochastic Vehicle Routing Problem, SVRP）的高保真开源基准测试集。该数据集针对城市规模物流场景，通过模拟时间依赖性拥堵、对数正态分布延迟、概率性事故以及基于实证的客户时间窗口等动态因素，构建了包含500多个实例的测试环境，最大客户规模达1000个。其核心研究目标是解决传统VRP基准在随机性和动态性建模上的不足，为物流优化算法在真实不确定性环境中的性能评估提供标准化平台。该数据集的发布推动了强化学习、元启发式算法在复杂物流调度领域的应用研究，成为检验算法鲁棒性和泛化能力的重要工具。

当前挑战

在领域问题层面，SVRPBench需解决三大挑战：1）传统确定性VRP算法难以处理时间依赖性延迟与突发事件的复合影响，导致在动态环境中成本激增20%以上；2）客户时间窗口的异质性分布（住宅与商业客户的双峰/单峰高斯分布）要求算法具备多模态约束优化能力；3）多仓库配置与大规模实例（>300节点）引发的维度灾难问题。在构建过程中，研究团队面临：1）高精度交通延迟建模需平衡计算效率与真实性，采用高斯混合模型与泊松过程联合建模；2）实例可行性验证需开发新型自动化检测机制，确保容量约束与时窗约束在随机扰动下的兼容性；3）空间聚类采样需保持合成数据与真实城市路网（如阿布扎比、米兰）的形态一致性。

常用场景

经典使用场景

在物流优化领域，SVRPBench数据集通过模拟城市规模的随机动态车辆路径问题，为研究者提供了一个高保真的测试平台。该数据集包含500多个实例，覆盖多达1000个客户点，集成了时间依赖性拥堵、对数正态分布延迟、概率性事故以及基于实证的住宅与商业客户时间窗口等现实场景。其多仓库、多车辆配置以及丰富的约束条件，使得该数据集成为评估路径规划算法在不确定性环境下性能的理想选择。

解决学术问题

SVRPBench有效解决了传统车辆路径问题研究中静态假设与真实世界动态条件脱节的核心矛盾。通过引入时间依赖性延迟模型和随机事件模拟，该数据集使研究者能够系统评估算法在分布偏移下的鲁棒性，填补了现有基准测试在随机要素建模方面的空白。实验表明，即使在POMO和AM等先进强化学习求解器性能下降20%的情况下，传统元启发式方法仍能保持稳定表现，这为算法改进提供了明确方向。

实际应用

该数据集直接服务于城市物流系统的优化实践。配送企业可利用其模拟的拥堵模式（早晚高峰高斯混合模型）和事故概率（夜间泊松过程）来训练适应性路径规划系统。特别是对最后一公里配送场景，数据集区分住宅客户（双峰时间窗口）与商业客户（单峰时间窗口）的交付偏好，为动态调度算法提供了贴近实际的测试环境，显著降低了从实验室到商业部署的转化成本。

数据集最近研究

最新研究方向

SVRPBench作为首个面向城市级随机车辆路径问题的高保真基准数据集，正推动该领域研究从静态假设向动态不确定性建模的范式转变。其创新性地融合了时间依赖性拥堵（基于高斯混合模型）、对数正态分布延迟、泊松过程模拟的事故中断以及客户时间窗口的异质性分布，为评估算法在真实物流场景中的鲁棒性提供了标准化平台。当前前沿研究聚焦于三类核心问题：一是针对分布偏移的强化学习算法改进，如POMO和AM等先进模型在随机环境下性能下降超过20%的挑战；二是多车场配置下经典启发式算法与元启发式算法的稳定性优势机制探究；三是时间窗口约束引发的计算复杂度激增问题，现有研究表明引入时空约束会使求解成本增加536%-648%。该数据集通过Hugging Face平台的开源生态，正加速随机路由算法在自动驾驶物流、应急物资调度等热点场景的应用验证。

相关研究论文

• SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

  MBZUAI, 阿布扎比, 阿联酋 · 2025年