有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Highway Performance Monitoring System (HPMS)|公路交通数据集|环境保护数据集
收藏arXiv2025-02-08 更新2025-02-11 收录
下载链接：
https://trafficexposure.uvm.edu/download-hpms
下载链接
链接失效反馈资源简介：
HPMS数据集是由美国联邦公路管理局管理的一个全面的、公开可用的资源，基于各州年度收集的交通流量数据。该数据集包含大约660万个独特的道路链接，涵盖了美国约401,000公里的公路系统。数据集记录了12.5亿辆车的行驶公里数，分为六个功能级别的道路。该数据集在交通规划、公共健康研究和政策决策中具有重要作用，尤其是在评估交通相关的空气污染暴露方面。
提供机构：
美国佛蒙特大学交通研究中心
创建时间：
2025-02-08
AI搜集汇总
数据集介绍
构建方式
Highway Performance Monitoring System (HPMS) 数据集的构建主要依赖于联邦公路管理局（FHWA）提供的综合交通数据。这些数据基于各州年度收集的公路、干道和集散道的交通统计。研究团队首先对 HPMS 数据进行了预处理，包括修复几何问题、更新道路段的城市-农村分类，并排除了缺失总AADT估计或AADT值低于MDV和HDV AADT总和的道路段。随后，研究团队使用随机森林回归（RFR）模型来估计缺失的MDV和HDV AADT数据。RFR 模型基于总AADT、FHWA道路功能分类、车道数量以及州和县指示变量进行预测。此外，研究团队还通过创建250米的空间缓冲区来计算每个普查块的交通密度，从而作为交通相关空气污染暴露的替代指标。
特点
HPMS 数据集的特点在于其提供了美国全国范围内的详细交通数据，包括各类道路的功能分类、车辆类型和交通量。该数据集填补了中重型车辆在非州际道路上的数据空白，并提供了更全面的全国交通数据集。此外，研究团队通过严格的验证过程确保了数据的质量和可靠性，使得这些数据产品能够更准确地反映卡车交通及其对环境和健康的影响。HPMS 数据集还具有高分辨率的空间数据产品，能够以普查块级别的交通密度来估计交通相关空气污染暴露。
使用方法
HPMS 数据集的使用方法包括交通运输规划、公共卫生研究以及旨在减轻卡车交通对易受污染影响的脆弱社区影响的政策决策。研究人员可以使用该数据集来评估基础设施状况、分析交通速度和拥堵、研究道路安全以及导致事故的因素。此外，HPMS 数据还可以用于评估美国交通运输系统的可持续性和弹性，特别是在气候变化、空气污染暴露和极端天气事件的影响下。数据集还可以用于校准交通需求模型、优化交通网络，并验证如Streetlight等被动移动数据源。用户在使用该数据集时，应参考README.md文档中的详细说明，了解如何访问、使用和解释数据集。
背景与挑战
背景概述
公路性能监测系统（HPMS）由美国联邦公路管理局管理，它提供了美国公路平均年度日交通量的关键数据。该数据集基于各州每年收集的交通统计，使用分层随机抽样方法，数据通常在至少80%的道路链路上误差小于10%。HPMS数据集对于联邦和州级交通规划、政策制定和绩效评估至关重要，它不仅指导了关键的国会报告，还支持了表面交通资金的分配。此外，HPMS数据在空气质量评估、交通影响分析以及基础设施投资决策中发挥着重要作用。然而，该数据集在非州际公路上的中重型车辆交通量表示不足，这限制了研究卡车交通对空气质量、公共健康等方面影响的能力。为了解决这一问题，研究人员采用随机森林回归模型来估计数据不足地区的交通量，从而提高了数据集的全面性，使得能够以人口普查街区为单位估算交通密度，作为交通相关空气污染暴露的代理指标。
当前挑战
HPMS数据集的挑战主要在于中重型车辆在非州际公路上的数据稀疏性，这限制了相关研究和政策分析。为了解决这个问题，研究人员使用随机森林回归模型来估计这些缺失数据。然而，这种方法也面临一些挑战，包括：1) 数据集在低流量道路和农村地区的数据缺失；2) 各州在交通计数设备和报告标准上的差异导致中重型车辆数据的不一致；3) 现有的估计方法无法提供道路段级别的数据，这对于广泛的政策、规划和研究应用至关重要。因此，研究人员需要开发能够处理复杂交互和非线性关系的模型，以更准确地估计交通量，并为未来交通规划、公共健康研究和政策决策提供更全面的数据基础。
常用场景
经典使用场景
Highway Performance Monitoring System (HPMS) 数据集最经典的使用场景是估计美国公路路段的交通数据，特别是针对中型和重型车辆的交通量。该数据集通过随机森林回归方法，填补了非州际公路上中型和重型车辆交通量数据的不足，为交通规划、公共卫生研究以及政策制定提供了更全面的数据支持。
解决学术问题
HPMS 数据集解决了中型和重型车辆在非州际公路上交通量数据不足的问题。通过随机森林回归方法，该数据集能够更准确地估计这些车辆的交通量，从而为研究卡车交通对空气质量、公共健康的影响提供了重要的数据支持。此外，HPMS 数据集还能够估计人口普查区块级别的交通密度，作为交通相关空气污染暴露的代理指标，为相关研究提供了新的视角。
衍生相关工作
HPMS 数据集衍生了多项相关研究工作，如 Antonczak 等人（2023）利用线性回归方法估计了中型和重型车辆的交通量，揭示了这些车辆类型在有色人种和低收入社区中不均衡的暴露情况。本研究进一步改进了线性回归方法，采用随机森林回归，更好地处理了数据中的复杂交互和非线性关系，从而提高了估计的准确性和全面性。此外，HPMS 数据集还为后续的交通规划、公共卫生研究和政策制定提供了重要的数据支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey（CHNS）是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目，旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响，以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体，采用多阶段随机抽样方法，收集了家庭、个体以及社区层面的详细数据，包括饮食、健康、经济和社会因素等信息。自2011年起，CHNS不断扩展，新增多个城市和省份，并持续完善纵向数据链接，为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
AerialMegaDepth
AerialMegaDepth数据集是由卡内基梅隆大学研究者创建的，该数据集结合了伪合成渲染和真实地面图像，旨在推进从地面和空中视角的图像中学习几何重建和视图合成任务。数据集通过将3D城市级网格的伪合成渲染与来自MegaDepth的真实地面级图像在统一坐标系中注册，包含了137个地标和132,137个地理注册图像。该数据集在具有挑战性的地面-空中场景中，显著提高了基于学习的方法在多视图几何预测和新型视图合成任务上的性能。
arXiv 收录
CodeGen
CodeGen数据集是一个用于代码生成和理解的大型数据集，包含了多种编程语言的代码片段和相应的自然语言描述。该数据集旨在帮助研究人员和开发者训练和评估代码生成模型，提高代码生成的准确性和效率。
github.com 收录
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录
TM-Senti
TM-Senti是由伦敦玛丽女王大学开发的一个大规模、远距离监督的Twitter情感数据集，包含超过1.84亿条推文，覆盖了超过七年的时间跨度。该数据集基于互联网档案馆的公开推文存档，可以完全重新构建，包括推文元数据且无缺失推文。数据集内容丰富，涵盖多种语言，主要用于情感分析和文本分类等任务。创建过程中，研究团队精心筛选了表情符号和表情，确保数据集的质量和多样性。该数据集的应用领域广泛，旨在解决社交媒体情感表达的长期变化问题，特别是在表情符号和表情使用上的趋势分析。
arXiv 收录