Equilibrium-Traffic-Networks

该数据集用于研究'双层网络设计问题的混合深度学习-元启发式框架'，由Bahman Madadi和Gonçalo H. de Almeida Correia发表在《Expert Systems with Applications》上。数据集包含三个交通网络（Sioux-Falls、Eastern-Massachusetts和Anaheim）的生成和使用数据，用于训练和评估解决用户均衡（UE）问题的模型。每个网络的数据集包含节点特征（OD需求矩阵）、边特征（自由流旅行时间和容量）和边标签（从解决DUE问题得出的最佳链路流量）。数据集以pickle文件格式存储，并可通过提供的脚本加载。

This dataset is used for research on the hybrid deep learning-metaheuristic framework for bi-level network design problems, and was published by Bahman Madadi and Gonçalo H. de Almeida Correia in *Expert Systems with Applications*. It contains generation and usage data of three traffic networks (Sioux-Falls, Eastern-Massachusetts, and Anaheim) for training and evaluating models that solve the User Equilibrium (UE) problem. Each network's dataset includes node features (Origin-Destination (OD) demand matrix), edge features (free-flow travel time and capacity), and edge labels (optimal link flows derived from solving the Deterministic User Equilibrium (DUE) problem). The dataset is stored in pickle file format and can be loaded via the provided scripts.

原始信息汇总

Equilibrium-Traffic-Networks

概述

该数据集用于研究“A hybrid deep-learning-metaheuristic framework for bi-level network design problems”，由Bahman Madadi和Gonçalo H. de Almeida Correia发表在《Expert Systems with Applications》。数据集用于训练和评估解决用户均衡（UE）问题的模型，基于三个交通网络（Sioux-Falls, Eastern-Massachusetts, 和 Anaheim）。

数据集元数据

网络	节点数	边数	OD对数	训练样本	验证样本	测试样本	数据集大小	求解器	算法
SiouxFalls	24	76	576	18000	1000	1000	20,000	Aeq, Ipp	BFW
Eastern-Massachusetts	74	258	5476	4000	500	500	5,000	Aeq, Ipp	BFW
Anaheim	416	914	1444	4000	500	500	5,000	Aeq, Ipp	BFW

特征和数据字段

字段	类型	描述
Node Features	Array	表示OD需求矩阵，每个OD对指定区域间的出行需求。
Edge Features	Array	包括：自由流旅行时间（FFTT）和容量。
Edge Labels	Array	从解决DUE问题中得出的最优链路流量。
Number of Links	Int	网络中的链路数量。
Number of Nodes	Int	网络中的节点数量。
Number of OD Pairs	Int	网络中的OD对数量。
Train Split	Int	训练集中的样本数量。
Validation Split	Int	验证集中的样本数量。
Test Split	Int	测试集中的样本数量。
Dataset Size	Int	数据集中的总样本数量。
Solvers	String	用于生成数据集的求解器。
Algorithm	String	用于生成数据集的算法。

数据集结构

每个数据集以pickle文件形式存储，包含训练、验证和测试三个部分。每个部分是DGLGraph对象的列表，包含节点和边特征以及边标签。

• Node Features: 表示OD需求矩阵，存储在DGLGraph的feat字段中。
• Edge Features: 包括自由流旅行时间和容量，存储在DGLGraph的feat字段中。
• Edge Labels: 从解决DUE问题中得出的最优链路流量，存储在DGLGraph的标签列表中。

可用网络

• SiouxFalls
• Eastern-Massachusetts
• Anaheim

数据生成步骤

1. 定义参数: 在parameters()函数中设置数据集生成参数。
2. 解决DUE问题: 使用data_due_generate.py脚本解决每个网络的DUE问题。
3. 存储结果: 将结果保存为CSV文件并清理数据。
4. 创建DGL数据集: 使用data_dataset_prep.py脚本将数据转换为DGL格式并保存为pickle文件。

引用

如果使用这些数据集进行研究，请引用以下论文和数据集：

• 论文引用: Madadi B, de Almeida Correia GH. A hybrid deep-learning-metaheuristic framework for bi-level network design problems. Expert Systems with Applications. 2024 Jun 1;243:122814. https://doi.org/10.1016/j.eswa.2023.122814

• 数据集引用: Madadi, Bahman (2024). Equilibrium-Traffic-Networks. figshare. Dataset. https://doi.org/10.6084/m9.figshare.27889251.v1

搜集汇总

数据集介绍

构建方式

Equilibrium-Traffic-Networks数据集的构建基于三个经典交通网络（Sioux-Falls、Eastern-Massachusetts和Anaheim），通过求解用户均衡（UE）问题生成。数据生成过程包括定义参数、使用BFW算法求解UE问题，并将结果转换为DGL图格式。具体步骤通过`data_due_generate.py`和`data_dataset_prep.py`脚本实现，最终将数据存储为pickle文件，包含训练集、验证集和测试集。

特点

该数据集的特点在于其涵盖了多个交通网络的详细节点和边特征，包括起点-终点（OD）需求矩阵、自由流旅行时间（FFTT）和容量等。每个网络的数据集均包含已求解的UE问题实例，并以DGL图的形式存储，便于图神经网络的应用。数据集还提供了丰富的元数据，如节点数、边数、OD对数量以及训练、验证和测试集的样本量，为研究者提供了全面的分析基础。

使用方法

使用Equilibrium-Traffic-Networks数据集时，可通过加载pickle文件获取训练、验证和测试集的DGL图对象。每个图对象包含节点特征、边特征和边标签，便于直接用于图神经网络的训练和评估。具体代码示例展示了如何加载数据集并访问图结构及其标签，为研究者提供了便捷的使用接口。

背景与挑战

背景概述

Equilibrium-Traffic-Networks数据集由Bahman Madadi和Gonçalo H. de Almeida Correia于2024年创建，旨在支持其发表在《Expert Systems with Applications》上的研究论文《A hybrid deep-learning-metaheuristic framework for bi-level network design problems》。该数据集基于三个著名的交通网络（Sioux-Falls、Eastern-Massachusetts和Anaheim），用于训练和评估解决用户均衡（UE）问题的模型。用户均衡问题是交通网络设计中的核心问题，旨在优化交通流量分配，以减少拥堵和提高效率。该数据集的生成和应用为交通网络优化领域提供了重要的数据支持，推动了深度学习与元启发式算法在复杂网络设计问题中的结合应用。

当前挑战

Equilibrium-Traffic-Networks数据集在解决用户均衡问题时面临多重挑战。首先，用户均衡问题本身具有高度复杂性，涉及大规模非线性优化，计算成本高昂。其次，数据集的构建过程中需要精确模拟交通网络的动态行为，包括节点和边的特征提取、交通需求矩阵的生成以及最优流量分配的求解，这些步骤对算法的准确性和效率提出了极高要求。此外，不同交通网络的规模和结构差异显著，如何在不同网络间保持数据的一致性和可比性也是一个重要挑战。最后，数据集的生成依赖于特定的求解器和算法，其性能和稳定性直接影响数据的质量，这对算法的选择和优化提出了更高的标准。

常用场景

经典使用场景

Equilibrium-Traffic-Networks数据集在交通网络优化领域具有重要应用，特别是在用户均衡（UE）问题的研究中。该数据集通过提供Sioux-Falls、Eastern-Massachusetts和Anaheim三个经典交通网络的详细数据，为研究人员提供了丰富的训练和测试样本。这些数据不仅包括节点和边的特征，还包含通过求解动态用户均衡问题得到的最优链路流量，为交通网络的建模与优化提供了坚实的基础。

衍生相关工作

Equilibrium-Traffic-Networks数据集衍生了一系列经典研究工作，特别是在深度学习与元启发式算法结合的双层网络设计问题中。基于该数据集的研究成果，如Bahman Madadi和Gonçalo H. de Almeida Correia提出的混合框架，为交通网络优化提供了新的解决方案。此外，该数据集还激发了更多关于交通网络建模、用户均衡问题求解以及智能交通系统优化的研究，推动了相关领域的持续发展。

数据集最近研究

最新研究方向

在交通网络优化领域，Equilibrium-Traffic-Networks数据集为研究者提供了解决用户均衡（UE）问题的重要工具。该数据集基于Sioux-Falls、Eastern-Massachusetts和Anaheim三个经典交通网络，结合深度学习和元启发式算法，推动了双层网络设计问题的研究进展。近年来，研究者通过该数据集探索了交通流预测、路径优化以及网络设计中的智能决策方法，特别是在大规模交通网络中的应用。这些研究不仅提升了交通系统的效率，还为城市交通管理和智能交通系统的发展提供了理论支持。随着深度学习技术的不断进步，该数据集在交通网络优化中的应用前景愈发广阔，成为该领域前沿研究的重要基石。