awesome-rerite

这是一个精心策划的资源列表，专注于收集和整理交通研究领域的开放数据集和基准测试。合集覆盖了交通网络、离散选择建模、交通动力学与控制、时空数据与建模、道路安全、优化、交通与人工智能等多个子领域，旨在为研究人员和从业者提供一个集中的数据集索引和推荐资源。This is a carefully curated resource list focused on collecting and organizing open datasets and benchmark tests in the field of transportation research. This collection covers multiple subfields including transportation networks, discrete choice modeling, traffic dynamics and control, spatiotemporal data and modeling, road safety, optimization, transportation and artificial intelligence, and other related subfields. It aims to provide researchers and practitioners with a centralized dataset index and recommended resources.

原始信息汇总

交通研究领域开放数据集与基准库概述

该仓库是一个精选的交通研究领域开放数据集与基准测试资源列表，由 Vanderbilt 大学的 Junyi Ji 维护，最后更新于2025年9月15日。

核心内容分类

一、交通需求与网络建模

• Travel Forecasting Explained：交通预测在线资源
• TransportationNetworks：基础城市网络数据，适用于交通网络建模
• OSMnx：从OpenStreetMap获取、构建、分析及可视化街道网络的工具
• osm2gmns：将OpenStreetMap数据转换为通用建模网络规范（GMNS）格式的Python包
• DTALite：基于GMNS格式的宏观/中观交通分配开源库
• MATSim Scenarios：多智能体交通仿真场景资源
• DTA：大规模网络动态用户均衡计算软件
• UniTA：覆盖20个美国城市的城市级交通分配统一数据集
• WardropNet：结合均衡学习的交通流预测方法（ICLR 2025）
• LargeOD：大规模通勤起终点流生成数据集与基准（ICLR 2025）
• GNN4UE：用于训练图神经网络预测用户均衡交通流的网络数据集
• OSRM：高性能开源C++路由引擎

二、离散选择建模

• 基准工具：
  • Choice-Learn：Python离散选择建模库，支持大规模数据
  • DNN for choice modeling：深度神经网络选择分析库，含梯度正则化
  • Apollo：灵活可定制的选择模型估计免费软件包
• 数据集：
  • Swissmetro：瑞士地铁选择行为数据集

三、交通动力学与控制

车辆轨迹数据

• pNEUMA：EPFL开放交通数据集
• Songdo Dataset：含交通轨迹与视觉数据
• Waymo Open Dataset：Waymo开放数据集
• I-24 MOTION：I-24 MOTION观测数据
• MiTra：米兰高速公路无人机轨迹数据
• TGSIM I-294：第三代仿真数据
• Zen Traffic Data：综合交通轨迹数据
• OpenACC：自适应巡航控制数据集
• microSIM-ACC：微观ACC仿真数据

环形实验数据

• Nagoya Traffic Jam Experiment：名古屋交通拥堵实验数据
• Dome Traffic Jam Experiment：穹顶交通拥堵实验数据
• Arizona Ring Experiments Dataset (ARED)：亚利桑那环形实验数据集

高速公路交通控制

• Flow-Lite：简化版交通控制框架，不含RLlib集成

城市交通控制

• IntersectionZoo：多智能体生态驾驶基准环境（ICLR 2025）

四、交通仿真

• UXSim：宏观交通流仿真器
• DTALite：GMNS格式的宏观/中观交通分配库
• Sym-METANET：基于METANET框架的高速公路宏观建模Python包

五、时空数据与建模

• Spatiotemporal Data：时空数据综合资源

六、道路安全

• Surrogate Safety Measures：替代安全度量数据集
• SHRP2NDS-BEVTR：重建的鸟瞰视角车辆轨迹数据集，含碰撞与近碰撞标签

七、出行服务

• FleetPy：开源车队仿真框架

八、优化

• RL4CO：组合优化强化学习库

九、交通与人工智能

• DGMinTransportation：交通研究中的深度生成模型教程
• Traffic Prediction via Deep Learning：
  • Deep learning models for traffic prediction：现有深度学习交通预测模型代码汇总
  • LibCity：城市时空预测开源基准库

十、交通数据标准

• GTFS and more：通用交通数据标准资源

十一、其他工具与资源

• Optuna：自动超参数优化框架
• osmnx-matplotlib-animation：城市移动可视化工具
• Edge-bundling tool：区域流动数据边绑定可视化工具

搜集汇总

数据集介绍

构建方式

awesome-rerite数据集由交通研究领域的学者精心整理，通过社区贡献机制进行构建。维护者鼓励研究人员通过提交问题、发起拉取请求或直接联系的方式，将公开的交通数据集和基准测试纳入该资源列表。数据集内容涵盖交通网络建模、离散选择模型、交通动态与控制、时空数据建模、道路安全、优化以及交通与人工智能等多个子领域，每个类别下均附有详细的数据集链接、相关论文引用及开发者信息，确保资源的可追溯性和学术规范性。

特点

该数据集的核心特点在于其高度的系统性和专业性。它并非简单的数据聚合，而是针对交通研究中的关键问题，如车辆轨迹数据、高速公路与城市交通控制、用户均衡流量预测等，提供了经过验证的基准测试和标准化数据格式（如GMNS）。此外，数据集特别关注前沿方向，如基于深度学习的交通预测和生成模型，并整合了仿真工具（如DTALite、UXSim）和开源框架（如LibCity），为从宏观网络建模到微观行为分析的全链条研究提供了统一入口。

使用方法

用户可通过GitHub仓库的目录结构按需检索。例如，交通网络建模研究者可直接访问TransportationNetworks获取城市网络数据，或使用OSMnx提取OpenStreetMap路网；从事轨迹分析的研究者可利用pNEUMA或Waymo Open Dataset进行验证。对于需要复现实验的场景，数据集提供了配套代码仓库（如GNN4UE用于图神经网络训练）和仿真环境（如Flow-Lite用于交通控制算法测试）。用户还可通过提交Issue或邮件联系维护者，参与数据集的持续扩展与更新。

背景与挑战

背景概述

交通系统作为城市运行的动脉，其复杂性催生了大量跨学科研究需求，而高质量开放数据集与基准测试的匮乏长期制约着该领域的可复现性与技术进展。在此背景下，由范德比尔特大学研究者Junyi Ji于2025年创建的awesome-rerite资源清单应运而生，其核心使命是系统梳理交通研究中涵盖交通网络建模、离散选择分析、动态交通控制、时空数据及安全评估等子领域的开放数据与基准。该清单通过整合如TransportationNetworks、pNEUMA轨迹数据、LibCity基准平台等标志性资源，为研究者提供了标准化入口，有效推动了交通科学与人工智能的交叉融合，并已成为连接传统交通工程与数据驱动方法的重要桥梁。

当前挑战

该清单所面临的挑战首先体现在领域问题的复杂性上：交通系统固有的时空异质性、多模式交互及突发扰动，使得单一数据集难以全面表征真实场景的随机性与动态演化规律，例如车辆轨迹数据在拥堵与非拥堵状态下的分布偏差可能误导模型泛化能力。其次，构建过程需应对数据孤岛与标准化缺失的困境，不同机构采集的交通网络数据在格式、粒度及语义标注上存在显著差异，整合OSMnx与DTALite等异构工具时需反复协调元数据规范。此外，随着自动驾驶与网联车辆技术的迭代，现有数据集对新兴边缘场景的覆盖不足，亟需动态更新机制以维持清单的时效性与权威性。

常用场景

经典使用场景

在交通科学与工程领域，awesome-rerite数据集汇集了涵盖交通网络建模、离散选择分析、交通流动态控制及时空数据建模等核心方向的开放资源。其经典使用场景聚焦于城市交通网络仿真与交通分配问题，例如利用Transportation Networks数据集构建城市级路网模型，结合DTALite或MATSim进行宏观与中观交通分配，从而评估道路拥堵缓解策略的有效性。此外，研究人员可借助pNEUMA或Waymo Open Dataset中的车辆轨迹数据，验证微观交通流理论模型，如跟驰行为或车道变换的动力学特征。该数据集亦为动态用户均衡（DUE）计算提供了标准化测试平台，支撑大规模网络上的算法性能对比与验证。

衍生相关工作

该数据集衍生了一系列具有里程碑意义的研究工作。在交通分配领域，Han等人基于DTA数据集开发的动态用户均衡求解算法，将非线性规划与大规模网络仿真结合，为计算交通科学树立了标杆。机器学习方向，WardropNet（ICLR 2025）提出均衡增强的学习范式，使得流量预测同时满足守恒定律与用户最优条件；而GNN4UE则构建了图神经网络预测用户均衡流量的基准，将传统凸优化问题转化为监督学习任务。在行为建模中，Siqi Feng等人利用DNN for choice modeling数据集，通过梯度正则化强化深度网络的行为合理性，突破了传统Logit模型对独立不相关假设的依赖。此外，DGMinTransportation教程系统梳理了变分自编码器在出行需求生成中的应用，推动了生成式AI与交通工程的深度融合。

数据集最近研究

最新研究方向

在交通研究领域，前沿方向正聚焦于人工智能与交通系统的深度融合，尤其是通过图神经网络与强化学习等先进技术，实现交通流预测、动态用户均衡求解及多智能体协同控制。例如，ICLR 2025上发表的WardropNet与IntersectionZoo分别展示了如何将均衡约束嵌入学习过程以提升预测精度，以及利用上下文强化学习优化生态驾驶策略。此外，大规模开源数据集的涌现，如涵盖20个美国城市的UniTA统一交通分配数据集和基于无人机采集的全状态高速公路轨迹数据MiTra，为模型训练与基准测试提供了坚实基础。这些研究不仅推动了交通控制理论从宏观网络建模向微观智能决策的演进，更在缓解城市拥堵、提升道路安全及促进可持续出行方面展现出深远的社会经济意义。