GD-ML/GenMRP

这是论文《GenMRP: 一种生成式多路径规划框架，用于高效和个性化的实时工业导航》的数据集。数据集包含以下特征类型：1. 链接特征：包括道路段属性，形状为K * 2 * N，关键特征有链接长度和链接车道宽度；2. 频率特征：记录用户过去三个月的旅行历史，形状为K * 2 * 10 * 7，关键特征有Delta Day和历史状态；3. 场景特征：表示路线推荐的上下文信息，形状为1 * 10，关键特征有请求时间和用户对起点和目的地的熟悉程度；4. 长特征：按时间顺序排列的一系列路线选择记录，形状为T * 31，关键特征有选择的路线特征和未选择的路线特征。This is the dataset for our paper GenMRP: A Generative Multi-Route Planning Framework for Efficient and Personalized Real-Time Industrial Navigation. The dataset includes the following feature types: 1. Link Features: Includes the road segment attributes, shape K * 2 * N, key features like Link length and Link Lane width; 2. Frequency Features: Logs the users travel history within the past three months, shape K * 2 * 10 * 7, key features like Delta Day and History status; 3. Scene Features: Represent the contextual information of route recommendation, shape 1 * 10, key features like Request time and User familiarity with the origin and destination; 4. Long Features: A series of route selection records arranged in chronological order, shape T * 31, key features like Selected route features and Unselected route features.

搜集汇总

数据集介绍

构建方式

在智能导航与路径规划领域，高质量的数据集是驱动模型性能提升的关键基石。GenMRP数据集的构建以多模态特征融合为核心，系统性地整合了四大类特征维度。链路特征涵盖路段长度与车道宽度等物理属性，频率特征则通过记录用户近三个月的出行历史，捕捉其周期性行为模式。场景特征聚焦于推荐时刻的上下文信息，如请求时间及用户对起终点的熟悉程度。长序列特征以时间顺序排列的路线选择记录为基础，包含选中与未选路径的详细属性，共同构成了一个结构化的多维度特征空间。

使用方法

使用GenMRP数据集时，研究者需根据具体任务选择相应的特征组合。对于路径分类任务，可主要利用链路特征与场景特征作为输入。若聚焦于个性化路线推荐，应重点挖掘频率特征与长序列特征中的用户历史模式。数据集兼容PyTorch Geometric等图学习框架，便于构建图神经网络模型。建议在预处理阶段对链路长度等连续特征进行标准化，并对频率特征中的时间戳进行周期编码。评估时，可采用路线准确率与用户满意度等指标，以验证模型在真实工业环境中的泛化能力。

背景与挑战

背景概述

在智能交通系统与工业导航领域，路径规划技术正从传统的单一路径优化向多路径生成与个性化推荐演进。GD-ML/GenMRP数据集由研究团队于近期发布，旨在解决实时工业导航中高效且个性化的多路径规划问题。该数据集聚焦于生成式多路径规划框架GenMRP的核心需求，涵盖了路网属性、用户历史轨迹、场景上下文及长序列选择记录等多维特征，为模型学习复杂路径偏好提供了结构化支撑。其提出的核心研究问题在于如何平衡路径多样性、实时响应与用户个性化需求，对工业物流、自动驾驶及移动出行服务等领域具有重要推动力，为后续研究提供了标准化评估基准。

当前挑战

当前数据集面临的核心挑战包括：1) 领域问题层面，多路径规划需同时满足最优性、替代性与个性化，传统方法难以在动态交通环境下兼顾路径多样性与实时计算效率，且用户偏好随时间与场景变化，模型需具备强泛化能力；2) 构建过程中，特征维度高且异构（如连续型路网属性与离散型历史记录），数据采集需覆盖不同时段与用户群体，确保时空分布均衡，同时用户隐私保护下的历史轨迹匿名化处理增加了数据清洗复杂度，长序列特征的时序依赖建模对数据完整性提出严苛要求。

常用场景

经典使用场景

在智能交通与路径规划领域，GD-ML/GenMRP数据集被广泛用于多路线生成与个性化导航任务的训练与评估。该数据集融合了道路属性、用户历史轨迹、实时场景上下文以及时序选择记录，为构建能够同时兼顾效率与个性化的生成式路径规划模型提供了丰富的数据基础。研究者常利用该数据集训练基于图神经网络与序列生成架构的模型，以实现从起点到终点的多条候选路径的智能生成，而非传统的单一最优路径预测。

解决学术问题

该数据集有效解决了传统路径规划研究中数据维度单一、缺乏用户个性化偏好建模以及难以处理实时动态场景等关键学术问题。通过引入频率特征与场景特征，GenMRP使得模型能够捕捉用户出行习惯与当前情境的耦合关系，从而提升路径推荐的个性化程度。同时，长序列特征的设计支持对历史选择行为的时序建模，为探索用户决策演化规律与多目标优化下的路径生成提供了新的研究视角。

实际应用

在实际应用中，GenMRP数据集支撑了工业级导航系统中的高效与个性化路径推荐服务。例如，在实时交通调度、网约车平台路线规划以及物流配送路径优化等场景中，基于该数据集训练的模型能够根据用户历史偏好与当前路况动态生成多条备选路线，并兼顾行程时间、舒适度与个性化需求。此外，该数据集的工业背景使其可直接用于大规模、低延迟的在线推理系统，显著提升了导航服务的用户满意度与运营效率。

数据集最近研究

最新研究方向

在智能交通与工业导航领域，路径规划正从传统的单一最优路径求解向多路径生成与个性化推荐演进。GenMRP数据集应运而生，聚焦于生成式多路径规划框架，融合路段属性、用户历史频次、场景上下文及时序选择记录等多维特征，为实时工业导航中的高效与个性化服务提供支撑。该数据集关联当前导航系统对动态环境适应性与用户偏好建模的热点需求，其引入的生成式方法突破了传统排序或分类范式的局限，有望推动路径规划从被动响应向主动生成转变，对提升工业物流、智慧出行等场景的决策质量与用户体验具有深远意义。