TPIMS-small, TPIMS-medium, TPIMS-large

该数据集收集自Truck Parking Information Management System (TPIMS)，涵盖了MAASTO州内的卡车停车场信息。数据集包括不同规模的停车场数据，如TPIMS-small包含104个停车场，TPIMS-medium包含115个停车场，TPIMS-large包含更多停车场。数据集的时间范围从2022年3月1日到2023年3月1日。数据集的特征包括站点ID、时间戳、可用停车位数量、趋势、开放状态等。

This dataset is collected from the Truck Parking Information Management System (TPIMS) and covers truck parking-related information within the state of MAASTO. It comprises parking lot data of varying scales: TPIMS-small contains 104 parking lots, TPIMS-medium contains 115 parking lots, and TPIMS-large includes a greater number of parking lots. The temporal coverage of the dataset spans from March 1, 2022 to March 1, 2023. The features included in the dataset are site ID, timestamp, number of available parking spaces, occupancy trend, and open status, among others.

原始信息汇总

Truck Parking Dataset (TPIMSDataset)

数据集概述

• 来源: 数据集收集自Truck Parking Information Management System (TPIMS)，涵盖Mid America Association of State Transportations Officiels (MAASTO)的多个州。
• 数据类型: 时间序列数据。
• 数据格式: CSV文件。
• 数据预处理: 所有数据已预处理，原始数据存储为CSV文件。

数据集列表

• TPIMS-small: 包含104个卡车停车场的数据，时间范围从2022年3月1日至2022年3月15日。
• TPIMS-medium: 包含115个卡车停车场的数据，时间范围从2022年3月1日至2022年9月1日。
• TPIMS-large: 包含x个卡车停车场的数据，时间范围从2022年3月1日至2023年3月1日（数据尚未更新）。

数据字段描述

字段	描述
Site ID	唯一标识符，包含州、路线编号、路线类型、参考点、道路侧和唯一位置编号或名称缩写。
Time Stamp	站点记录最后更新的日期和时间。
Time Stamp Static	站点静态记录最后更新的日期和时间。
Available	检测系统报告的可用停车位数量，可能超过最大停车位数量或报告低于“低”阈值的实际值，甚至为负值。
Trend	可选，报告站点是清空、稳定还是填充。接受值：“CLEARING” / “STEADY” / “FILLING” / null。
Open	报告停车场是否开放，除非因维护或其他情况关闭。可能值：true / false / null。
Trust Data	报告站点是否正常运行。可能值：true / false / null。
Reported Available	通过数据馈送共享的可用停车位数量，数量上限为站点总停车位数量，达到低阈值时报告“低”。
Manual Reset	已弃用，-1表示未重置。
Low Threshold	如果停车场可用停车位数量等于或低于此值，数据馈送将报告“低”而不是数字。
Last Verification Check	最后一次手动重置/验证检查的日期和时间。用于性能测量和系统监控，不供公众使用。可能值：日期和时间 / null。
Verification Check Amplitude	最后一次手动重置/验证检查调整的幅度。可以是负数、正数或零。
Capcity	站点内的总停车位数量。

数据预处理

• 环境设置: 使用conda创建虚拟环境并安装依赖项。
• 数据格式转换: 使用convert_format.py将数据转换为不同格式。
• 数据生成: 使用generate_training_data.py生成训练数据。

数据可视化

• 平均每小时占用率: 展示一周内某站点平均每天的占用率。
• 每周累积站点占用率: 展示前5个最常用站点的每周累积占用率。
• 每日过渡模式: 展示一个月内的每日过渡模式。
• 每月箱线图: 展示2021年4月至2022年3月的每月箱线图。

引用

• TPIMS Dataset explanation:

  @inbook{tamaru2023web, title = {Web Portal Development and Site Usage Pattern Analysis for a Multi-State Truck Parking Information Management System (TPIMS)}, author = {Rei Tamaru and Yang Cheng and Steven Parker and Ernie Perry and Bin Ran and Soyoung (Sue) Ahn }, booktitle = {International Conference on Transportation and Development 2023}, pages = {489-500}, doi = {10.1061/9780784484876.043}, URL = {https://ascelibrary.org/doi/abs/10.1061/9780784484876.043}, }

• Truck parking usage prediction:

  @article{tamaru2024truck, title={Truck Parking Usage Prediction with Decomposed Graph Neural Networks}, author={Tamaru, Rei and Cheng, Yang and Parker, Steven and Perry, Ernie and Ran, Bin and Ahn, Soyoung}, journal={arXiv preprint arXiv:2401.12920}, year={2024} }

搜集汇总

数据集介绍

构建方式

该数据集源自Truck Parking Information Management System (TPIMS)，由Mid America Association of State Transportations Officiels (MAASTO)成员州收集。数据涵盖了多个州的150多个卡车停车站点，每日更新。原始数据经过预处理，存储为CSV文件，并可通过Truck Parking Query Archive获取更多原始数据。数据集包括TPIMS-small、TPIMS-medium和TPIMS-large三个版本，分别覆盖不同时间段和站点数量。

特点

TPIMS数据集的显著特点在于其时间序列性质，适用于预测和分析卡车停车场的使用趋势。数据集包含详细的元数据描述，如站点ID、时间戳、可用停车位数量、趋势、开放状态等。此外，数据集提供了多种预处理方法和格式转换工具，便于不同研究需求的使用。

使用方法

使用该数据集时，用户需首先创建运行环境，并安装必要的Python库。数据集提供了两种预处理方法：新方法直接处理原始CSV文件，生成处理后的数据集；旧方法则需通过创建节点和边数据来转换格式。用户可根据需求选择合适的方法，并通过提供的代码示例进行数据准备和模型训练。

背景与挑战

背景概述

TPIMS数据集，源自美国中西部州际运输官员协会（MAASTO）的卡车停车信息管理系统（TPIMS），由威斯康星大学麦迪逊分校的TOPS实验室开发。该数据集自2019年起开始收集，涵盖了伊利诺伊、印第安纳、艾奥瓦、堪萨斯、肯塔基、密歇根、明尼苏达、俄亥俄和威斯康星九个州的150多个卡车停车站点。其核心研究问题在于通过时间序列数据分析卡车停车场的使用情况，旨在优化停车资源分配，提升运输效率。该数据集对交通管理和物流规划领域具有重要影响，为相关研究提供了宝贵的实证数据。

当前挑战

TPIMS数据集在构建过程中面临多重挑战。首先，数据采集涉及多个州和站点，确保数据的统一性和准确性是一大难题。其次，数据预处理过程中需处理多种异常值和缺失数据，以保证分析的可靠性。此外，由于停车场的使用情况受多种因素影响，如季节性变化和突发事件，如何准确预测停车需求并优化资源配置是该数据集面临的主要挑战。最后，数据集的更新和维护需要持续的技术支持和资源投入，以确保数据的时效性和可用性。

常用场景

经典使用场景

在交通管理领域，TPIMS数据集的经典使用场景主要集中在卡车停车场的实时监控与预测。通过分析数据集中的时间序列信息，研究人员可以构建模型来预测未来停车场的占用率，从而优化卡车司机的停车安排，减少等待时间。此外，该数据集还可用于评估不同停车策略的效果，为交通管理部门提供决策支持。

衍生相关工作

基于TPIMS数据集，已经衍生出多项经典工作，特别是在卡车停车场利用率预测和交通流量优化方面。例如，研究人员利用该数据集开发了多种时间序列预测模型，如LSTM和GNN，以提高预测精度。此外，还有工作探讨了如何通过集成学习方法进一步优化停车场的管理策略。这些研究不仅丰富了交通管理领域的理论体系，也为实际应用提供了新的技术手段。

数据集最近研究

最新研究方向

近年来，TPIMS数据集在卡车停车管理领域引起了广泛关注，特别是在时间序列预测和空间数据分析方面。研究者们利用该数据集进行卡车停车需求的预测，通过整合历史停车数据和实时交通信息，探索更高效的停车资源分配策略。此外，数据集的预处理和格式转换方法也得到了进一步优化，以适应不同模型的训练需求。这些研究不仅提升了停车管理的智能化水平，还为相关政策制定提供了科学依据，推动了交通系统的整体优化。