FreightBidBench

FreightBidBench是由Bubba AI创建的一个公开、可复现的基准数据集，专门用于研究在线卡车货运投标接受问题。该数据集基于美国运输部货运分析框架和美国农业部卡车运价报告等公共数据校准构建，包含72小时时间跨度的场景，集成了运营可行性约束（如取货可达时间、预约窗口、简化服务时间规则及随机场站延迟）与经济因素（如服务失败惩罚、终端车队价值和时序价格溢价窗口）。数据生成过程通过版本化的场景合约实现，确保依赖关系清晰且可重复。该数据集旨在为动态车队管理和投标决策算法提供一个标准化的测试平台，解决现有路由基准缺乏闭环、随机性和公开校准的问题，支持未来感知策略的评估与比较。FreightBidBench is an open, reproducible benchmark dataset created by Bubba AI, specifically dedicated to research on online truck freight bid acceptance problems. Constructed and calibrated using public datasets such as the U.S. Department of Transportation (USDOT) Freight Analysis Framework and the U.S. Department of Agriculture (USDA) Truck Freight Rate Reports, this dataset includes scenarios spanning a 72-hour time horizon, integrating both operational feasibility constraints (e.g., pickup access times, appointment windows, simplified service time rules, and stochastic yard delays) and economic factors (e.g., service failure penalties, terminal fleet values, and time-based price premium windows). The data generation pipeline is implemented via versioned scenario contracts, ensuring clear and reproducible dependency relationships. This dataset aims to provide a standardized testbed for dynamic fleet management and bid decision-making algorithms, addressing the limitations of existing routing benchmarks that lack closed-loop mechanisms, stochasticity, and public calibration, and supporting the evaluation and comparison of future perception strategies.

原始信息汇总

数据集概述：FreightBidBench

• 名称: FreightBidBench
• 描述: 一个公开校准的合成基准，用于实时卡车货运投标接受决策。该基准在闭环车队状态、预约窗口、服务时间（HOS）和堆场延误可行性条件下进行测试。
• 类型: 合成基准数据集
• 领域: 物流与货运（实时卡车货运投标）

核心特性

• 实时决策: 专注于在复杂的货运运营约束下实时做出投标接受决策。
• 闭环可行性: 模拟了闭合的、持续运行的车队状态，并整合了以下关键约束：
  • 预约窗口: 提货和交货的时间窗口。
  • 服务时间 (HOS): 驾驶员工作时间的法规限制。
  • 堆场延误: 在堆场装卸货可能发生的延误。
• 公开校准: 使用公开数据源进行校准，以增强其现实性和可信度。

主要版本与使用

• 当前版本: v0.3
• 历史版本: v0.2.1，可用于历史对比。
• 运行基准: 通过运行 scripts/run_freightbidbench.py 脚本，配合指定的配置文件（如 configs/freightbidbench_v03_scenarios.json）和预设参数（如标准模式、情景模式、种子数、标签限制等）。
• 关键脚本: 数据集提供了一系列脚本用于运行基准、分析结果、计算策略差异和生成校准报告。

文件结构（主要脚本与配置文件）

文件路径	用途
scripts/run_freightbidbench.py	基准运行器，支持快速测试、标准运行和论文预设模式。
scripts/freight_feasibility.py	可行性层，处理卡车状态、取货到达、预约窗口、服务时间时钟和堆场延误。
scripts/run_lagrangian_bound.py	计算拉格朗日松弛信息下的后见边界。
scripts/analyze_policy_deltas.py	进行配对种子的自助法（bootstrap）策略差异分析。
scripts/analyze_calibration.py	基于公共FAF/USDA数据进行校准交叉验证。
configs/freightbidbench_v03_scenarios.json	v0.3 版本的场景、预设、策略集、种子和级联带的配置文件。

许可与引用

• 代码与文档许可: Apache-2.0 许可证。
• 生成数据许可: 生成的基准测试工件、输出、报告等采用 CC BY 4.0 许可证。
• 引用: 建议根据GitHub发布标签 v0.3.0 进行引用。论文发表后，需同时引用arXiv标识符和此发布标签。

搜集汇总

数据集介绍

构建方式

FreightBidBench基准数据集旨在填补在线整车投标接受问题中缺乏公开可复现基准的空白。该数据集的构建基于公开的美国货运分析框架与农业部卡车运价数据，通过具有版本控制的场景合约，将运营可行性、经济成本和随机因素整合为一个闭环马尔可夫决策过程。构建过程包括：利用公共数据校准装载到达分布、车队初始位置、行驶里程、报价价格和终端状态价值；定义确定性可行性映射，以检查卡车是否能满足取货时间、预约窗口、工时规则与随机场站延误；引入三项可独立控制的奖励组件——服务失败惩罚、终端车队价值和时间溢价窗口——以分离不同策略类别的行为。整个基准无第三方依赖，仅依赖Python标准库即可运行。

使用方法

使用FreightBidBench时，研究者需从基准的版本化场景合约中加载配置，包括场景类型（轻度、紧张、稀缺）、奖励参数与种子。基准提供一组预设策略（拒绝所有、接受所有可行、短视利润、投标价格、线性代理、展开教师），可通过运行主仿真脚本进行对比评估。关键操作包括：通过层消融实验隔离每项奖励组件的影响；利用后视天花板（精确DP与松驰界）量化策略剩余改进空间；配置级联策略的边界带与稀缺性触发阈值，以在延迟与利润前沿上进行调优。所有结果输出为带有清单的CSV文件，确保跨运行的一致性验证。

背景与挑战

背景概述

在动态卡车货运市场中，承运商与经纪人面临一项核心的在线决策问题：当运输订单实时抵达时，必须在数秒内决定接受或拒绝，且该决策受制于运营可行性、车队重定位成本以及未来需求的机会成本。然而，长期以来，公开、可复现的基准测试在这一领域极度匮乏：既有路径规划基准（如Solomon、Homberger–Gehring VRPTW及CVRPLIB）均为静态设定，无法模拟在线随机订单流与闭环决策；而以近似动态规划为代表的动态车队管理研究则多依赖私营运营商数据，缺乏可公开校准的标准化场景。为填补这一空白，Aswin Chandrasekaran（Bubba AI）于2026年7月正式发布了FreightBidBench，一个基于美国货运分析框架（FAF）与农业部卡车运价公开数据校准的、无外部依赖的闭环基准测试平台。该数据集的核心研究问题聚焦于构建一个可复现的马尔可夫决策过程（MDP），将运营可行性（取货可达性、服务时间窗、简化工时服务规则、随机堆场延误）与经济约束（服务失败惩罚、终端车队价值、日内价格溢价窗口）显式嵌入奖励函数。FreightBidBench的发布不仅为在线卡车订单接受问题提供了首个版本化的公共标尺，更通过其分层经济结构（L1服务失败惩罚、L2终端车队价值、L3时间价格溢价窗口）在方法论层面实现了对无视可行性、短视定位与无视时机三类策略的严格分离，显著推动了动态车队管理领域的基准化进程。

当前挑战

FreightBidBench所解决的领域问题及构建挑战体现在三个层次。首先，该基准的核心领域挑战在于如何使在线订单接受决策问题具备可验证的“结构分离性”，即设计一套奖励机制，使得无视运营可行性、短视车队定位以及无视时机窗口的策略各自产生可量化的可证明损失。为此，论文通过引入服务失败惩罚（L1），严格证明了可行性盲策略的线性遗憾（命题1）；同时，终端车队价值（L2）与时间价格溢价窗口（L3）则分别从定位短视和时机盲两个维度隔离出不同的策略类，为未来方法提供了一个具有理论分界的评价舞台。其次，在基准构建过程中，最大的挑战在于如何在保证“无外部依赖”和“完全可复现”的前提下，实现可信的后验上界锚定，以替代对有限随机展开教师策略的单点依赖。论文为此开发了三层互补的后验诊断工具：面向小规模负载前缀的精确实现动态规划、简单的LP风格全视界上界，以及一种保留每辆卡车工时与序列结构的拉格朗日逐车信息松弛上界——后者在紧场景下比LP松弛紧化20.7%，在稀缺场景下紧化39.3%，且依然保持零外部依赖，并严格遵循Brown等人（2010）的信息松弛对偶框架。最后，该基准还直面了计算延时效用的实际工程挑战：通过设计一个参数化替代—展开级联策略（以边界带β和稀缺压力阈值κ为触发开关），在紧场景下以教师策略40%的平均决策延迟恢复约98%的利润，且统计上不可分辨（配对自助法95%置信区间跨越零），从而为实时工业部署提供了一个可在延迟与利润之间进行权衡的基准测试平台。

常用场景

经典使用场景

在动态货运管理领域，FreightBidBench为在线整车货运投标接受决策提供了一个可复现的闭环基准测试平台。其经典使用场景聚焦于模拟承运商或经纪人在实时状态下，面对不断涌入的货运订单，需在数秒内决定接受或拒绝，同时兼顾运营可行性（如车辆可达性、预约时间窗、驾驶服务时长约束）与经济权衡（服务失败罚款、终端车队价值、时间溢价窗口）。该数据集通过公开校准的货运分析框架与美国农业部卡车费率数据，构建了依赖版本化的可复现环境，使研究者能够在统一的随机种子下公平比较不同策略在利润与延迟之间的权衡表现。

解决学术问题

该数据集系统性地解决了在线投标接受问题中长期存在的学术难题：缺乏可公开校准、依赖无关的闭环基准。此前的研究多依赖于私有运营商数据或静态路由基准，难以公平评估考虑未来信息的策略。FreightBidBench通过引入三层奖励组件——服务失败罚款、终端车队价值和时间价格溢价窗口——实现了对可行性盲视、未来盲视与未来感知策略的结构性分离，为验证策略的时序推理能力提供了理论基石。此外，其提出的三种后见之明上界（精确动态规划、线性规划松弛、拉格朗日每车信息松弛）为策略评估提供了可信的参照天花板，推动了动态车辆路径与近似动态规划领域的方法论进步。

实际应用

在实际物流与货运运营中，FreightBidBench所模拟的场景直接对应了大型经纪平台与承运商的日常核心决策：如货运经纪人需要在高频次报价的几秒内判断是否承接某批货物，以避免车辆闲置或过度集中。该数据集的校准参数来源于真实的公共货运流量与费率数据，使其结论具有较强的现实推广价值。例如，其提出的代理-回滚级联策略在延迟仅为回滚策略40%至56%的条件下，即可恢复约98%的利润，为企业在计算资源受限时寻求快速与准确之间的最佳平衡提供了可落地的算法框架。

数据集最近研究

最新研究方向

在动态货运领域，FreightBidBench v0.3聚焦于在线整车投标接受问题的可复现基准构建，其前沿研究方向体现在三层经济奖励结构的设计与验证、后见之明上界方法的创新以及参数化代理-推出级联策略的引入。具体而言，通过服务失败惩罚、终端车队价值及时段溢价窗口分别分离了可行性盲视、未来盲视与未来感知策略类别，实证表明这些组件显著改变了策略排序；同时，拉格朗日每车信息松弛上界相比传统线性规划松弛在紧俏场景下收紧达39.3%，更真实地刻画了方法学提升空间；而级联策略在保留推出教师近98%利润的同时将决策延迟降至其40%-56%，在紧俏场景下与教师无统计显著差异。该基准通过版本化清单与公共数据校准，为未来学习增强路由、联合决策前瞻等研究提供了鲁棒的试验平台。

相关研究论文

• Latency-Aware Bid Acceptance under Operational Feasibility: A Public Benchmark with Hindsight Ceilings

  Bubba AI · 2026年