Highway Performance Monitoring System (HPMS)

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。

The HPMS dataset is a comprehensive, publicly available resource managed by the United States Federal Highway Administration, based on annual traffic volume data collected by individual states. This dataset contains approximately 6.6 million unique road links, covering about 401,000 kilometers of the U.S. highway system. It records the total driving mileage of 1.25 billion vehicles, and classifies roads into six functional classes. This dataset plays a crucial role in transportation planning, public health research and policy decision-making, particularly in the assessment of traffic-related air pollution exposure.

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。