XTraffic|交通数据分析数据集|事故预测数据集

XTraffic数据集由阿卜杜拉国王科技大学等机构创建，包含2023年全年16,972个交通节点的数据，涵盖交通流量、车道占用率和平均车速等时间序列指标，以及与交通数据时空对齐的七类事故记录。数据集还包括详细的物理和政策层面的车道元属性。创建过程中，数据从Caltrans性能测量系统收集，经过筛选和处理，确保了数据的质量和可用性。XTraffic数据集的应用领域广泛，主要用于事故后交通预测、事故分类、全局和局部因果分析等，旨在提高交通系统的可解释性和实用性。

原始信息汇总

XTraffic 数据集概述

数据集描述

XTraffic 数据集首次将交通和事故研究在空间和时间上进行整合，覆盖了2023年全年16,972个交通节点的数据。该数据集包含详细的交通流量、车道占用率和平均车速的时间序列数据，以及与交通数据同步的七种不同类别的事故记录。每个节点还包括广泛的物理和政策层面的车道元属性。

数据下载

数据集的 croissant 文件可以从 这里 下载。

描述性分析

数据集的描述性分析图像显示了数据的概览和特征。

实验

交通预测

交通预测任务是利用历史交通数据和其他相关因素预测未来交通条件，如交通量、速度和占用率。实验结果如下表所示：

测试类型	模型	5 分钟 (t=1)			15 分钟 (t=3)			30 分钟 (t=6)
		MAE	MAPE	RMSE	MAE	MAPE	RMSE	MAE	MAPE	RMSE
一般	LSTM	12.58	11.81	21.45	15.41	14.21	26.29	18.68	18.03	31.54
一般	ASTGCN	12.45	13.11	20.90	14.59	13.66	23.10	16.03	15.56	27.82
一般	DCRNN	11.90	11.82	20.47	13.41	12.92	23.79	14.84	14.32	26.74
一般	AGCRN	12.54	12.56	22.65	13.55	13.18	25.27	14.62	14.24	27.92
一般	GWNET	11.99	11.85	20.30	13.53	12.87	23.44	14.88	14.15	26.05
一般	STGODE	12.75	13.26	21.66	14.12	14.57	24.64	15.50	16.34	27.43
一般	DSTAGNN	13.18	12.15	21.93	16.37	18.82	27.41	19.99	19.97	33.73
一般	D2STGNN	12.18	12.00	21.30	13.48	13.20	24.30	14.90	14.27	27.28
事故	LSTM	14.17	10.13	23.75	17.41	15.38	29.43	20.93	14.33	34.05
事故	ASTGCN	14.06	10.55	23.22	16.42	15.06	27.63	18.40	12.59	30.48
事故	DCRNN	13.62	9.86	23.04	15.36	14.35	26.73	16.92	11.69	29.38
事故	AGCRN	14.48	10.98	25.41	15.96	14.78	28.78	17.21	11.78	31.42
事故	GWNET	13.73	10.44	22.90	15.60	14.50	26.73	17.15	11.49	29.07
事故	STGODE	14.50	10.71	24.49	16.20	15.19	27.69	17.55	12.29	30.17
事故	DSTAGNN	14.79	10.57	24.22	18.24	17.91	30.48	21.95	15.38	35.67
事故	D2STGNN	13.73	10.05	23.30	15.51	14.22	27.29	17.03	11.46	30.23

事故分析

事故分类任务是基于特定路段的交通时间序列数据识别和分类事故，如事故或危险。实验结果如下表所示：

方法	速度通道			占用通道			流量通道			所有通道混合
	准确率	精确率	召回率	准确率	精确率	召回率	准确率	精确率	召回率	准确率	精确率	召回率
DT	41.6%	41.5%	41.5%	40.4%	40.2%	40.2%	39.4%	39.3%	39.3%	41.6%	41.5%	41.5%

AI搜集汇总

数据集介绍

构建方式

XTraffic数据集通过时空对齐的方式，将交通数据与事故数据整合在一个大规模区域内（包含16,972个交通节点），覆盖了2023年全年。交通数据包括交通流量、车道占用率和平均车速的时间序列指标，而事故数据则与交通数据在时空上对齐，涵盖七种不同的事故类别。此外，每个节点还包含详细的物理和政策层面的车道元属性。数据集的构建通过从Caltrans性能测量系统（PEMS）中收集交通和事故数据，并去除缺失值较多的传感器数据，最终保留了16,972个传感器的数据。事故数据则通过绝对里程（Abs PM）标记进行定位，确保了事故记录与交通数据的精确匹配。

特点

XTraffic数据集的显著特点在于其时空对齐的交通与事故数据，涵盖了多种交通指标和事故类别，提供了丰富的物理和政策层面的道路元属性。数据集的规模庞大，包含16,972个交通节点和476,766个事故样本，确保了数据的多样性和复杂性。此外，数据集还支持多种任务，如事故后的交通预测、事故分类、全局和局部的因果分析，为交通系统的可解释性和实践性研究提供了坚实的基础。

使用方法

XTraffic数据集可用于多种交通相关任务，包括事故后的交通预测、事故分类、全局和局部的因果分析。在事故后的交通预测任务中，研究人员可以利用数据集中的交通时间序列数据，量化不同事故对交通指标的影响。事故分类任务则通过交通指标来推断事故类型，从而为预防措施提供支持。全局因果分析任务旨在揭示交通指标、元属性和事故之间的复杂关系，而局部因果分析则关注道路节点内部的因果关系。数据集的开放性使得研究人员能够基于这些任务开发和验证新的模型和方法。

背景与挑战

背景概述

在智能交通系统快速发展的背景下，交通与事故数据的整合分析成为提升交通管理效率的关键。XTraffic数据集由沙特阿卜杜拉国王科技大学、清华大学、中国科学院自动化研究所等机构的研究人员共同创建，首次在2023年将交通与事故数据在时空维度上进行了大规模对齐，涵盖了16,972个交通节点。该数据集不仅包含了交通流量、车道占用率、平均车速等时间序列数据，还整合了七种不同类型的事故记录，并与交通数据在时空上精确对齐。此外，每个节点还包含了详细的物理和政策层面的道路元属性，为交通预测、事故分类及因果分析提供了丰富的数据支持。XTraffic的推出标志着交通与事故研究领域的重大突破，为解释性交通分析和实践应用提供了新的研究平台。

当前挑战

XTraffic数据集的构建面临多重挑战。首先，交通与事故数据的时空对齐需要克服数据采集和处理的技术难题，确保数据的准确性和一致性。其次，事故数据的多样性和复杂性使得模型在预测和分类任务中面临较大的不确定性，尤其是在处理异常交通模式时。此外，现有的交通与事故研究往往独立进行，忽视了两者的内在关联，导致现有数据集在解释性和实用性上存在局限。XTraffic通过整合交通与事故数据，填补了这一研究空白，但其复杂的数据结构和高维度的特征也为模型的训练和解释带来了新的挑战。

常用场景

经典使用场景

XTraffic数据集的经典应用场景主要集中在交通与事故的时空关联分析上。通过整合交通流量、车道占用率、平均车速等时间序列数据与事故记录，该数据集支持多种任务，如事故后的交通流量预测、基于交通指标的事故分类、以及交通指标、元属性和事故之间的全局和局部因果分析。这些任务不仅能够量化不同事故对交通指标的影响，还能为交通系统的预防性措施提供高层次的指导。

衍生相关工作

XTraffic数据集的发布催生了一系列相关研究工作。例如，基于该数据集的交通流量预测模型能够更好地处理事故引发的异常交通模式，提升了预测的准确性。事故分类任务的研究则推动了基于交通指标的事故识别技术的发展，使得事故检测更加智能化。此外，因果分析任务的研究为交通系统的可解释性提供了新的工具，帮助研究人员更好地理解交通网络中各因素之间的复杂关系，并为未来的交通系统优化提供了理论支持。

数据集最近研究

最新研究方向

XTraffic数据集通过整合交通流量与事故数据，首次在时空维度上将交通与事故研究相结合，为智能交通系统提供了全新的研究视角。该数据集不仅涵盖了2023年全年16,972个交通节点的交通流量、车道占用率和平均车速等时间序列数据，还包含了与交通数据时空对齐的七类事故记录。此外，每个节点还附带详细的物理和政策层面的道路元属性，为交通预测、事故分类和因果分析提供了丰富的数据支持。XTraffic数据集的引入，使得研究人员能够开展事故后交通预测、基于交通指数的事故分类、全局和局部因果分析等前沿任务，推动了交通与事故研究的深度融合，为智能交通系统的可解释性和实践应用提供了强有力的数据基础。

相关研究论文

• XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More

  阿卜杜拉国王科技大学, 沙特阿拉伯; 科隆大学, 德国; 清华大学, 中国; 中国科学院自动化研究所, 中国; 维也纳工业大学, 奥地利; 圣母大学, 美国 · 2024年