有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
METR-LA dataset|交通流量监测数据集|深度学习数据集
收藏github2024-08-27 更新2024-08-31 收录
下载链接：
https://github.com/Anoif01/Traffic_Forecasting_STGCN
下载链接
链接失效反馈资源简介：
METR-LA数据集记录了洛杉矶207个地点每五分钟的交通流量，持续三个月。该数据集用于创建动态3D交通流量可视化，并通过高级深度学习模型提高交通预测的准确性。
创建时间：
2024-08-27
原始信息汇总
动态3D交通流量可视化与高级预测
数据集概述
动态3D交通流量可视化
- 数据集: METR-LA
- 数据内容: 记录洛杉矶207个地点每五分钟的交通流量，持续三个月
- 可视化工具: Pydeck, Selenium, Imageio
- 关键特性:
- 动态3D可视化: 集成Pydeck的热图、散点、网格和文本层
- 可视化工具: 在Kaggle上开发
高级交通预测与深度学习
- 模型: 基于时空图卷积网络(STGCN)，探索多种替代架构
- (Bi)GRU
- (Bi)LSTM
- 注意力机制的(Bi)LSTM
- 注意力机制的(Bi)GRU
- 多头注意力(MHA)
- MAMBA
- 关键结果:
- 模型改进: 在STGCN中用GRU替换TCN，将平均绝对误差(MAE)从3.33降低到3.26
- 可视化工具: Pydeck, Plotly, Mapbox
参考文献
- STGCN模型: 基于Jiang等人的工作，详细信息请参考其论文和GitHub仓库DL-Traff-Graph
AI搜集汇总
数据集介绍
构建方式
METR-LA数据集的构建基于对洛杉矶地区207个地点的交通流量进行每五分钟一次的记录，持续时间为三个月。通过这种高频率的数据采集，数据集能够捕捉到交通流量的动态变化，为后续的3D可视化和深度学习模型提供了丰富的数据基础。数据集的构建过程中，采用了先进的传感器技术和数据采集系统，确保了数据的准确性和实时性。
特点
METR-LA数据集的主要特点在于其高频率和多地点的数据采集，这使得数据集能够全面反映洛杉矶地区的交通流量变化。此外，数据集的3D可视化功能通过Pydeck等工具，将静态数据转化为动态视频，增强了数据的可视化效果。数据集还支持多种深度学习模型的应用，如STGCN、(Bi)GRU、(Bi)LSTM等，为交通流量预测提供了多样化的模型选择。
使用方法
METR-LA数据集的使用方法多样，既可以用于交通流量的3D可视化，也可以用于深度学习模型的训练和预测。用户可以通过提供的Jupyter Notebook文件，如mapvisualization-metrla-pydeck.ipynb和All_Models_TrafficForecasting.ipynb，进行数据的可视化和模型训练。此外，数据集还支持在Kaggle平台上进行进一步的分析和实验，用户可以通过链接访问相关的Kaggle Notebook，进行更深入的研究和应用。
背景与挑战
背景概述
METR-LA数据集，记录了洛杉矶207个地点每五分钟的交通流量数据，持续三个月，为动态3D交通流量可视化和高级交通预测提供了坚实的基础。该数据集由一支专注于城市交通预测的团队创建，旨在通过深度学习模型提升交通预测的准确性。其核心研究问题是如何在复杂的城市环境中，利用时空数据进行精确的交通流量预测。METR-LA数据集的发布，不仅推动了交通预测领域的研究进展，也为城市交通管理和优化提供了宝贵的数据支持。
当前挑战
METR-LA数据集在构建过程中面临的主要挑战包括数据的高维性和复杂性，以及如何有效地将这些数据转化为可视化形式。此外，交通流量预测的准确性受到多种因素的影响，如天气、事件和突发状况，这些都增加了模型的复杂性和不确定性。在模型改进方面，尽管通过替换STGCN中的TCN为GRU显著降低了MAE，但仍需进一步探索和优化其他深度学习架构，以应对更复杂的交通预测任务。
常用场景
经典使用场景
METR-LA数据集的经典使用场景主要集中在动态3D交通流量可视化和高级交通预测模型的构建。通过记录洛杉矶207个地点每五分钟的交通流量数据，该数据集支持了动态3D可视化工具的开发，如使用Pydeck进行热图、散点图、网格图和文本层的集成，以呈现全面的交通流量视图。此外，数据集还用于探索和改进交通预测模型，如时空图卷积网络（STGCN）及其变体，通过实验不同的深度学习架构（如GRU、LSTM、多注意力机制等）来提高预测精度。
实际应用
在实际应用中，METR-LA数据集被广泛用于城市交通管理和智能交通系统（ITS）的开发。通过分析和预测交通流量，城市规划者和交通管理部门可以更有效地调度交通资源，优化交通信号控制，减少交通拥堵和事故发生率。此外，数据集的可视化功能也为公众提供了直观的交通信息，帮助驾驶员选择最佳路线，提高出行效率。这些应用不仅提升了城市交通的运行效率，还为智慧城市的建设提供了重要支持。
衍生相关工作
METR-LA数据集的发布和应用催生了大量相关研究和工作。例如，基于该数据集的STGCN模型及其变体在多个交通预测任务中取得了显著成果，推动了时空图卷积网络在交通领域的广泛应用。此外，数据集的可视化工具如Pydeck、Plotly和Mapbox也被广泛应用于其他地理信息系统和交通数据的可视化研究中。这些衍生工作不仅丰富了交通数据分析的方法库，还为相关领域的研究提供了新的思路和工具。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
URPC系列数据集, S-URPC2019, UDD
URPC系列数据集包括URPC2017至URPC2020DL，主要用于水下目标的检测和分类。S-URPC2019专注于水下环境的特定检测任务。UDD数据集信息未在README中详细描述。
github 收录
中国1km分辨率逐月降水量数据集（1901-2024）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2024.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
GlobalBuildingAtlas
GlobalBuildingAtlas是一个公开的全球建筑数据集，提供了全球范围内的建筑多边形、高度和LoD1 3D模型。该数据集是第一个提供高质量的、一致的、完整的建筑数据，以2D和3D形式在单个建筑层面上进行全球覆盖的公开数据集。数据集包括2.75亿座建筑，比目前最全面的数据库多出超过10亿座建筑。GBA.Height提供了迄今为止最详细和最准确的全球3D建筑高度图，实现了3×3米的空间分辨率，比以前的全球产品（90米）精细30倍，能够在本地和全球范围内对建筑体积进行高分辨率和可靠的分析。GBA.LoD1代表了第一个完整的全球LoD1建筑模型，包括2.68亿个建筑实例，具有预测的高度，即高度完整性超过97%，在不同大陆上实现了从1.5米到8.9米的RMSEs。GlobalBuildingAtlas以其高度精度、全面的全球覆盖和丰富的空间细节，为全球建筑现状提供了新的见解，开辟了前所未有的地理空间分析可能性，例如更好地说明人们居住在哪里，以及更全面地监测联合国第11个可持续发展目标的进展。
arXiv 收录
中国行政区划数据
本项目为中国行政区划数据，包括省级、地级、县级、乡级和村级五级行政区划数据。数据来源于国家统计局，存储格式为sqlite3 db文件，支持直接使用数据库连接工具打开。
github 收录
中国农村金融统计数据
该数据集包含了中国农村金融的统计信息，涵盖了农村金融机构的数量、贷款余额、存款余额、金融服务覆盖率等关键指标。数据按年度和地区分类，提供了详细的农村金融发展状况。
www.pbc.gov.cn 收录