智能引导下的SUMO仿真交通状态数据集

数据集 2023YFE0202400-005 智能引导下的SUMO仿真交通状态数据集为模型衍生数据，基于SUMO微观交通仿真生成，包含智能引导模式、帧数、车辆ID、车辆位置、实时速度、所处车道等内容，用于反映智能引导下的交通状态。
为了保证衍生数据质量，在数据预处理阶段，针对仿真数据可能存在的偏差问题，计划采用“仿真参数校准+真实数据比对”方法，结合实际交通流特征（如高峰期车辆平均速度、车道分布比例）对SUMO仿真参数进行调整，通过引入同济大学嘉定校区周边真实道路的交通流量数据作为基准，修正仿真模型的初始设置；针对仿真过程中可能出现的异常值（如车辆速度突增突减、位置坐标超出路网范围），计划建立自动化清洗规则，利用预设阈值（如道路限速的120%作为速度上限）筛选异常数据，并通过相邻帧数据插值填补缺失值；针对多轮仿真结果的一致性问题，计划对同一场景进行多次重复仿真，计算关键指标（如平均车速、车道占有率）的变异系数，确保结果稳定性（变异系数控制在10%以内）。
针对模型衍生数据结果进行多层面验证，一方面将仿真结果与驾驶模拟器采集的真实驾驶行为数据交叉比对，例如对比相同引导模式下车辆的速度变化趋势、车道选择偏好，确保核心特征的相似度在85%以上；另一方面采用分阶段验证法，将仿真的交通状态数据与不同时间段（如早高峰、晚高峰）的实际交通拥堵情况进行匹配度分析。同时，引入交通领域专家评审机制，对仿真数据中不符合实际交通规律的异常现象（如极端场景下的车辆聚集模式）进行合理性评估，避免仿真结果与现实脱节。经过以上数据处理和模型验证，最终形成智能引导下的SUMO仿真交通状态数据。

搜集汇总

背景与挑战

背景概述

该数据集是基于SUMO微观交通仿真生成的模型衍生数据，包含智能引导模式下的交通状态信息，如车辆位置、速度等。通过仿真参数校准、真实数据比对和多层面验证方法，确保数据质量与稳定性，用于反映智能引导的交通状态。