SARPRL Dataset

该数据集包括两个部分：请求数据集（request_dataset）和道路网络数据（road_network_data）。请求数据集包含乘客和包裹请求的详细信息，如提交时间、起始和目的地、请求类型、旅行距离等。道路网络数据包括曼哈顿的出租车区域图、节点对应对、道路网络边和节点的信息以及邻接矩阵。

This dataset consists of two components: the request dataset (request_dataset) and the road network data (road_network_data). The request dataset contains detailed information of passenger and parcel requests, including submission time, origin and destination, request type, travel distance, and other relevant details. The road network data includes the taxi zone map of Manhattan, node pairs, information on the edges and nodes of the road network, and the adjacency matrix.

原始信息汇总

SARPRL 数据集描述

请求数据集描述

数据集名称结构

每个数据集名称包含四个部分：

• 空间分布：如 "CS(North)"
• 乘客请求数量
• 包裹请求数量
• 索引

例如，"CS(North)_76_24_0" 表示关于 "CS(North)" 的第一个数据集，包含 76 个乘客请求和 24 个包裹请求。

列描述

• tpep_pickup_datetime：请求提交时间
• PULocationID：请求起点的出租车区域
• DOLocationID：请求终点的出租车区域
• type_code：请求类型（1 - 乘客请求；0 - 包裹请求）
• time：请求提交时间（转换为分钟）
• length：起点和终点之间的旅行距离

道路网络数据描述

• taxi_zone_map_manhattan：曼哈顿出租车区域地图
• taxi_zones_node_pairs：出租车区域与道路网络节点的对应关系
• edge：道路网络边的信息
• node：道路网络节点的信息
• adjacency_matrix_edge_no：曼哈顿道路网络的邻接矩阵

搜集汇总

数据集介绍

构建方式

SARPRL数据集的构建基于对城市空间分布的细致分析，特别是对包裹和乘客请求的分布进行了详尽的记录。每个数据集名称由四个部分组成，分别是包裹的空间分布、乘客请求数量、包裹请求数量以及索引。例如，'CS(North)_76_24_0'表示关于'CS(North)'区域的数据集，包含76个乘客请求和24个包裹请求。数据集中的每一列都经过精心设计，包括请求的提交时间、请求的起点和终点、请求类型（乘客或包裹）、提交时间（转换为分钟）以及行程距离。此外，数据集还包含了道路网络数据，如曼哈顿的出租车区域地图、出租车区域与道路网络节点的对应关系、道路网络边的信息、道路网络节点的信息以及曼哈顿道路网络的邻接矩阵。

特点

SARPRL数据集的显著特点在于其对城市交通和物流需求的全面覆盖。通过详细记录乘客和包裹请求的时空分布，该数据集为研究城市交通优化和物流调度提供了丰富的数据支持。数据集中的时间戳和距离信息为分析请求的动态变化提供了基础，而道路网络数据则增强了数据集在实际应用中的实用性。此外，数据集的结构化设计使得数据处理和分析更为高效，能够支持多种复杂的城市交通和物流模型。

使用方法

使用SARPRL数据集时，研究者可以首先根据数据集名称中的信息筛选出特定区域和时间段的数据。通过解析'tpep_pickup_datetime'、'PULocationID'、'DOLocationID'等列，可以获取请求的详细信息。对于道路网络数据，可以通过'taxi_zone_map_manhattan'和'taxi_zones_node_pairs'来理解区域与节点之间的关系，进而利用'edge'和'node'信息构建道路网络模型。'adjacency_matrix_edge_no'则可用于分析道路网络的连通性和复杂性。这些数据和信息为研究城市交通流、优化路径规划和提升物流效率提供了坚实的基础。

背景与挑战

背景概述

SARPRL数据集是由一组研究人员或机构创建的，专注于解决城市物流和交通优化问题。该数据集的核心研究问题是如何在复杂的道路网络中高效地分配乘客和包裹请求，以优化资源利用和减少运输时间。通过提供详细的请求数据和道路网络信息，SARPRL数据集为研究者提供了一个模拟和测试不同调度算法的环境。自创建以来，该数据集在城市交通和物流优化领域产生了显著影响，成为相关研究的重要基准。

当前挑战

SARPRL数据集在构建过程中面临多项挑战。首先，数据集需要精确地模拟城市中的乘客和包裹请求，这要求对请求的生成和分布有深入的理解。其次，道路网络数据的准确性和完整性对算法的有效性至关重要，任何数据缺失或错误都可能导致模拟结果的偏差。此外，如何在数据集中平衡不同类型的请求（乘客和包裹），以确保算法的公平性和实用性，也是一个重要的挑战。最后，数据集的规模和复杂性要求高效的存储和处理技术，以支持大规模的模拟和分析。

常用场景

经典使用场景

在城市交通规划与管理领域，SARPRL数据集被广泛应用于优化乘客与包裹的运输调度问题。该数据集通过详细记录乘客和包裹的请求时间、起始地点、目的地以及行程距离，为研究者提供了一个模拟真实城市交通环境的平台。通过分析这些数据，研究者可以开发和验证新的调度算法，以提高运输效率，减少等待时间和运输成本。

解决学术问题

SARPRL数据集在学术研究中解决了多目标优化问题，特别是在乘客与包裹混合运输场景下的调度优化。通过提供详细的请求数据和道路网络信息，该数据集帮助研究者探索如何在有限的资源下最大化运输效率，同时满足乘客和包裹的不同需求。这不仅推动了运筹学和交通工程领域的发展，还为实际应用提供了理论支持。

衍生相关工作

基于SARPRL数据集，研究者们开发了多种调度算法和优化模型，如多目标遗传算法、动态规划方法等。这些工作不仅在学术界引起了广泛关注，还被应用于实际的物流和交通管理系统中。此外，该数据集还促进了相关领域的跨学科研究，如机器学习在交通预测中的应用，以及物联网技术在智能交通系统中的集成，进一步推动了城市交通管理的智能化和高效化。