PeMS, HuaNan, PeMSF

本研究发布了三个新的交通数据集，旨在推动车道级交通预测领域的研究。PeMS数据集来自洛杉矶的Santa Ana Freeway，包含5条车道的数据；HuaNan数据集来自广州的HuaNan City Expressway，包含4条车道的数据；PeMSF数据集则包含入口车道，部分路段有6条车道。这些数据集通过高精度传感器收集，涵盖了交通流量和速度等关键信息，用于评估和改进车道级交通预测模型的性能。数据集的创建过程涉及数据清洗、预处理和标准化，确保数据质量和可用性。这些数据集的应用领域包括智能交通系统、自动驾驶技术以及城市交通规划，旨在提高交通预测的准确性和实时性，优化交通流量管理，减少拥堵和事故。

This study releases three novel traffic datasets to advance research in lane-level traffic prediction. The PeMS dataset is collected from the Santa Ana Freeway in Los Angeles, containing data from 5 lanes; the HuaNan dataset is sourced from the HuaNan City Expressway in Guangzhou, covering data from 4 lanes; while the PeMSF dataset includes entrance lanes, with some sections having up to 6 lanes. These datasets are gathered via high-precision sensors, covering key traffic metrics such as traffic flow and speed, and are used to evaluate and improve the performance of lane-level traffic prediction models. The dataset creation process involves data cleaning, preprocessing and standardization to ensure data quality and availability. The application scenarios of these datasets include intelligent transportation systems, autonomous driving technology and urban traffic planning, aiming to enhance the accuracy and timeliness of traffic prediction, optimize traffic flow management, and reduce congestion and traffic accidents.

搜集汇总

数据集介绍

构建方式

PeMS, HuaNan, PeMSF 数据集是通过从真实世界道路网络中提取数据构建的。这些数据集涵盖了具有常规车道配置和不规则车道配置的道路网络，旨在为不同类型的车道级交通预测研究提供基础。PeMS 数据集来自美国洛杉矶圣安娜高速公路的性能测量系统（PeMS），而 HuaNan 数据集来自中国广州市华南城市高速公路的传感器数据。PeMSF 数据集是在 PeMS 数据集的基础上添加了入口车道数据，以模拟不规则车道配置的情况。这些数据集的构建方式确保了它们在真实世界交通预测场景中的适用性和可靠性。

特点

PeMS, HuaNan, PeMSF 数据集具有以下特点：1. 数据覆盖范围广：这些数据集包含了多个时间段的交通数据，能够反映不同时间段内的交通流量变化。2. 数据质量高：数据采集自可靠的数据源，并经过严格的数据清洗和预处理，确保了数据的准确性和完整性。3. 数据多样性：这些数据集包含了具有不同车道配置的道路网络数据，能够满足不同类型的车道级交通预测研究的需求。4. 数据开放性：这些数据集被公开发布，可供研究人员免费下载和使用，促进了车道级交通预测领域的研究进展。

使用方法

使用 PeMS, HuaNan, PeMSF 数据集进行车道级交通预测研究时，需要按照以下步骤进行：1. 数据预处理：对原始数据进行清洗、缺失值填补和归一化等预处理操作，以确保数据的质量和可用性。2. 模型构建：选择合适的模型进行车道级交通预测，例如基于图结构的模型、基于深度学习的模型等。3. 模型训练：使用数据集对模型进行训练，并调整模型参数以优化预测性能。4. 模型评估：使用评估指标（如 RMSE、MAE、MAPE 和训练成本）对模型的预测性能进行评估，并与其他模型进行比较。5. 模型应用：将训练好的模型应用于实际的车道级交通预测场景，以验证模型的有效性和实用性。

背景与挑战

背景概述

交通预测作为智能交通系统的重要组成部分，长期以来一直是研究的热点和关键领域。近年来，随着城市级别的预测逐渐发展到道路级别的预测，车道级别的交通预测作为不可或缺的方向逐渐兴起。然而，该领域的发展却受到缺乏综合统一的评估标准和公开可用的数据与代码的限制。本文对现有的车道级别交通预测研究进行了深入分析和分类，建立了统一的空间拓扑结构和预测任务，并引入了一个基于图结构和MLP网络的简单基线模型GraphMLP。同时，本文还复制了现有研究中未公开的代码，并在此基础上，对各种模型在有效性、效率和适用性方面进行了全面和公正的评估，为实际应用提供了启示。此外，本文还发布了三个新的数据集和相应的代码，以加速该领域的发展。

当前挑战

尽管车道级别交通预测已经取得了长足的进步，但仍面临一些挑战。首先，车道级别的数据具有高频和高维度的特点，对计算成本和数据采集提出了更高的要求。其次，如何快速准确地响应车道交通流的变化，以及如何有效地整合来自不同来源和类型的数据以增强预测准确性，仍然是未解决的问题。此外，车道级别交通预测领域缺乏全面的概述或建立基准标准，这使得新来者和从业者难以快速掌握该领域的核心问题和最新发展。最后，现有的研究大多使用私有数据集，缺乏代码和数据的公开共享，严重限制了研究方法的比较、验证和进一步改进。因此，为了推动该领域的发展，迫切需要建立公开的标准数据集和基准测试，以鼓励研究社区分享代码和发现。这将不仅提高研究质量，而且还将加速整个领域的进步。

常用场景

经典使用场景

PeMS, HuaNan, PeMSF数据集在交通预测领域，尤其是车道级交通预测中，扮演了至关重要的角色。这些数据集提供了大量真实世界的交通数据，包括车辆速度和流量等信息，为研究人员提供了宝贵的资源来开发和测试新的交通预测模型。经典的使用场景包括：1) 开发和测试新的车道级交通预测模型；2) 研究车道级交通预测中的时空依赖性；3) 评估不同预测模型在不同场景下的性能。

实际应用

PeMS, HuaNan, PeMSF数据集在实际应用场景中具有广泛的应用前景，包括：1) 智能交通系统；2) 自主驾驶；3) 交通管理。这些数据集可以帮助开发更准确的交通预测模型，从而提高交通效率，减少事故，并改善环境。此外，这些数据集还可以用于优化交通信号控制，改善交通拥堵管理，以及提高驾驶安全性。

衍生相关工作

PeMS, HuaNan, PeMSF数据集衍生了许多相关的经典工作，包括：1) 图结构模型；2) 基于深度学习的模型；3) 基于注意力机制的模型。这些工作在车道级交通预测领域取得了显著的成果，并为未来的研究提供了宝贵的经验和启示。