Traffic Flow Dataset for China’s Congested Highways & Expressways (TF4CHE)

TF4CHE数据集是基于AD4CHE数据集构建的，主要针对中国拥堵的高速公路和快速路交通流参数预测和实时拥堵识别。数据集包含11个不同的道路段，共计68个数据条目。该数据集适用于交通流预测、拥堵识别等智能交通应用。

The TF4CHE dataset is constructed based on the AD4CHE dataset, primarily targeting traffic flow parameter prediction and real-time congestion recognition for congested highways and urban expressways in China. It includes 68 data entries collected from 11 distinct road segments, and is applicable to intelligent transportation applications such as traffic flow prediction and congestion recognition.

搜集汇总

数据集介绍

构建方式

TF4CHE数据集基于AD4CHE数据集构建，通过无人机航拍技术采集中国高速公路和快速路拥堵场景的高精度多维交通流数据。数据提取过程首先从原始数据集中分析每段记录的三个文件，根据帧率提取每辆车的时间序列状态信息，随后通过标准公式计算等效车辆数、平均流量、交通密度等关键参数。采用四分位距法剔除速度相关参数的异常值，最终形成包含11组不同路段的时间序列交通流数据集。

特点

TF4CHE数据集具有显著的空间覆盖优势和时序特征深度。该数据集涵盖中国5个城市11个不同路段的拥堵场景，包含交通密度、平均车速等12维特征参数。通过核密度估计分析显示，数据分布呈现典型的高斯特征，密度数据整体偏高而速度数据偏低，准确反映了原始拥堵场景的特性。其多维参数设计特别适用于具有强周期性和非线性特征的交通流建模需求。

使用方法

该数据集主要应用于智能交通系统的流量预测和拥堵识别研究。使用前需按7:2:1比例划分训练集、验证集和测试集，所有输入特征需进行标准化处理。针对速度相关参数中的极端值，建议采用四分位距法进行检测和处理。数据集可与PPTNet等预测模型结合，通过傅里叶变换捕捉多尺度周期特征，再经Transformer解码器建模时序依赖关系，最终配合Mamdani模糊推理实现拥堵概率计算。

背景与挑战

背景概述

TF4CHE（Traffic Flow Dataset for China’s Congested Highways & Expressways）数据集由吉林大学张宇新教授团队于2025年提出，旨在解决中国高速公路拥堵场景下的交通流预测问题。该数据集基于无人机航拍数据构建，覆盖中国5个城市的11条典型拥堵路段，包含5.12小时的高精度多维交通流参数，如车流密度、平均速度等。作为AD4CHE数据集的衍生成果，TF4CHE首次针对中国特有的混合交通流（含客车、公交车、货车）设计了等效车辆转换算法，填补了中文文献中缺乏拥堵专项数据集的空白。其创新性地融合了时空特征与运动学参数，为智能交通系统中的实时拥堵预警研究提供了关键数据支撑，相关成果已应用于PPTNet混合预测模型的验证。

当前挑战

TF4CHE面临的核心挑战体现在两方面：在领域问题层面，传统阈值法难以量化中国复杂交通流中密度-速度的非线性关系，且固定传感器数据存在空间覆盖有限、误差累积等问题；在构建过程中，无人机数据需解决低空拍摄的透视畸变校正、多目标车辆跟踪精度（5cm定位误差）、以及混合交通流等效计算等难题。此外，数据标注需结合《城市道路工程设计规范》完成12维特征的标准化提取，包括针对突发拥堵场景的加速度参数异常值处理，这对时空对齐算法提出了极高要求。

常用场景

经典使用场景

TF4CHE数据集作为中国高速公路拥堵场景下的高精度交通流数据库，其经典使用场景聚焦于智能交通系统中的短时交通流预测与实时拥堵识别。该数据集通过无人机航拍数据构建，涵盖多维交通参数（如密度、速度、车型分布等），特别适用于验证周期性特征建模算法在复杂路况下的性能。在PPTNet等混合架构模型中，该数据集被用于训练周期性模块快速傅里叶变换分析，以及Transformer解码器的时序依赖建模，为拥堵场景下的动态预测提供基准数据支持。

衍生相关工作

该数据集已衍生出多个标志性研究方向：在算法层面，启发了Periodic Block与Inception卷积的混合架构设计，推动TimesNet等时序基础模型的优化；在应用层面，催生出融合无人机数据与路侧单元的异构感知系统研究；在理论层面，其构建方法被扩展至轨道交通流量预测领域，如地铁客流的等效车辆转换因子研究。相关成果发表在IEEE Transactions on Intelligent Vehicles等期刊，形成以周期性特征挖掘为核心的智能交通研究新范式。

数据集最近研究

最新研究方向

近年来，TF4CHE数据集在智能交通系统领域的研究方向主要集中在高精度交通流预测与实时拥堵识别的融合技术上。随着无人机遥感技术的成熟，该数据集为捕捉中国复杂高速公路场景下的多维时空特征提供了独特优势，特别是在处理强周期性和非线性动态的交通流数据方面展现出显著价值。前沿研究围绕周期性模式挖掘与Transformer架构的深度结合展开，通过快速傅里叶变换实现多尺度周期特征的自适应提取，结合二维Inception卷积增强局部与跨周期特征的捕获能力。热点应用包括基于Mamdani模糊推理的多参数协同拥堵概率计算，突破了传统阈值法的局限性，为动态路网管理提供了实时决策支持。该数据集通过融合空中视角的动态观测数据与精细化特征工程，正推动着交通状态感知从单点静态监测向全域动态推演范式转变，对智慧城市建设和车路协同系统发展具有重要实践意义。

相关研究论文

• PPTNet: A Hybrid Periodic Pattern-Transformer Architecture for Traffic Flow Prediction and Congestion Identification

  吉林大学汽车底盘一体化与仿生国家重点实验室, 山东大学机械工程学院, 英国赫瑞-瓦特大学工程与物理科学学院 · 2025年