IBB Traffic graph dataset

IBB Traffic graph dataset由伊斯坦布尔理工大学创建，涵盖了2451个传感器在四年内收集的交通数据。数据集包括城市和高速公路的交通状态，如流量和速度。数据采集频率为每小时一次，旨在解决交通预测问题，通过提供详细的地理和时间数据，增强智能交通系统的效率和安全性。

The IBB Traffic Graph Dataset was developed by Istanbul Technical University. It encompasses traffic data collected over a four-year period by 2451 sensors, covering traffic states such as flow and speed on both urban roads and highways. The data is collected at an hourly interval. This dataset aims to address traffic prediction tasks by offering detailed geospatial and temporal data, thereby improving the efficiency and safety of intelligent transportation systems.

搜集汇总

数据集介绍

构建方式

IBB Traffic graph dataset 是通过在伊斯坦布尔市内的2451个不同位置收集传感器数据构建的。这些传感器每隔一小时进行一次测量，涵盖了四年的交通数据，包括交通状态（如流量和速度）和传感器信息（如位置、类型）。为了构建交通网络，如果两个传感器相邻，则将它们通过无权边连接起来。这种表示方式将交通数据转化为图结构，其中节点代表传感器，边代表传感器之间的相邻关系。所有特征都编码为节点特征，这意味着边是非属性的。节点特征包括两类：交通流量特征和传感器特征。交通特征是从传感器在该时间段内测量的交通流量中收集的，如最小速度、最大速度、平均速度和通过的车辆数量。传感器特征包括有关传感器的空间信息，如所在的大陆、地区、是否位于高速公路上以及传感器周围的居民区密度。这种构建方式使得数据集能够捕捉交通网络的复杂空间关系和动态时间依赖性，为交通预测模型提供了丰富的数据基础。

特点

IBB Traffic graph dataset 的特点是数据规模大、覆盖时间长、传感器分布均匀。数据集涵盖了伊斯坦布尔市内2451个不同位置的传感器数据，包括了城市道路和高速公路。传感器每隔一小时进行一次测量，覆盖了四年的交通数据。这种覆盖范围使得数据集能够捕捉到城市交通的长期模式。传感器分布均匀，覆盖了整个城市，使得数据集能够捕捉到城市交通的全面情况。此外，数据集还包含了丰富的特征，如交通流量特征和传感器特征，这些特征能够为交通预测模型提供更全面的信息。

使用方法

IBB Traffic graph dataset 可以用于交通预测、交通异常检测、交通流量预测、旅行时间预测、交通密度预测等任务。用户可以使用各种机器学习算法和深度学习算法来处理数据集，如随机森林、梯度提升机、深度学习网络等。数据集的图结构表示方式使得图神经网络（GNN）等算法可以直接处理数据，从而更好地捕捉交通网络的复杂空间关系和动态时间依赖性。此外，数据集还包含了丰富的特征，如交通流量特征和传感器特征，这些特征能够为交通预测模型提供更全面的信息，从而提高预测准确性。用户可以使用数据集来训练和评估不同的交通预测模型，以找到最适合其应用场景的模型。

背景与挑战

背景概述

交通拥堵预测是智能交通系统中的关键组成部分，它可以通过预测未来的交通行为来支持主动的交通管理、改善郊区体验、减少环境影响的整体安全性和效率。尽管有许多公开的数据集，尤其是针对大都市地区的，但这些数据集可能不适用于实际场景，因为数据规模不足（例如传感器数量和道路连接数）以及外部因素，如目标区域的特性，如城市、高速公路和数据收集位置。为了解决这个问题，本文介绍了一个新的IBB交通图数据集，作为替代基准数据集，以解决这些限制，并丰富文献中新的地理特征。IBB交通图数据集涵盖了在2451个不同位置收集的传感器数据。此外，我们提出了一个新的道路交通预测模型，该模型通过特征工程、使用GLEE进行节点嵌入以表示交通网络中的相互关系，以及使用ExtraTrees进行交通预测来加强时间链接。结果表明，所提出的模型始终优于基线模型，平均准确率提高了4%。

当前挑战

IBB交通图数据集在解决交通拥堵预测领域的问题时面临以下挑战：1）数据集的规模和多样性：尽管该数据集包含了大量的传感器数据，但在实际应用中可能需要更广泛和多样化的数据集来覆盖不同的地理和交通模式。2）数据收集和预处理：确保数据的质量和一致性是构建有效预测模型的关键。这需要精确的传感器校准和有效的数据清洗和预处理方法。3）模型复杂性和可解释性：尽管本文提出的模型在准确率方面表现良好，但模型的复杂性可能会限制其可解释性和在现实世界中的实用性。4）实时预测和适应性：在动态变化的环境中，实时交通预测和模型适应性是另一个挑战。模型需要能够快速适应交通模式的变化，并提供准确的预测结果。

常用场景

经典使用场景

该数据集主要用于智能交通系统中的交通拥堵预测，通过分析当前和过去的交通状况来预测未来交通行为。这种预测对于减少拥堵、优化交通系统、提高道路安全等方面具有重要意义。

解决学术问题

IBB Traffic graph dataset数据集解决了现有数据集在规模和数据收集位置方面的局限性，提供了包含2451个不同位置的传感器数据，覆盖了城市和高速公路。此外，该数据集还通过特征工程、节点嵌入和ExtraTrees分类器，提出了一种新的交通预测模型，提高了预测精度。

衍生相关工作

该数据集衍生了基于图表示学习的交通预测模型，该模型通过特征工程、节点嵌入和ExtraTrees分类器，提高了交通预测的精度。此外，该数据集还支持对交通网络进行特征提取，为交通预测提供了新的研究方向。