RRNCO Dataset

RRNCO（真实路由NCO）数据集包含全球100个城市的真实世界路由信息，可以从中动态子采样和生成实例。

The RRNCO (Real-Route NCO) dataset includes real-world routing information from 100 global cities, supporting dynamic subsampling and instance generation.

原始信息汇总

Real Routing NCO 数据集概述

数据集简介

• 名称: Real Routing NCO (RRNCO)
• 目的: 提供真实世界的路由信息，解决传统NCO方法中简化的2D欧几里得距离问题
• 特点:
  • 包含100个全球城市的路由信息
  • 支持动态子采样和实例生成
  • 包含复杂的距离矩阵和持续时间矩阵

数据集内容

• 数据类型: 真实世界路由信息
• 覆盖范围: 全球100个城市
• 数据格式: .npz文件（每个城市单独文件）
• 辅助文件: splited_cities_list.json（预定义的城市训练/测试集划分）

获取方式

1. 完整数据集下载:
   • 使用git-lfs克隆仓库: git clone https://huggingface.co/datasets/ai4co/rrnco
2. 单个城市下载:
   • 访问Hugging Face数据集页面选择特定城市文件

模型支持

• 预训练模型:
  • ATSP（非对称旅行商问题）
  • RCVRP（真实世界容量约束车辆路径问题）
  • RCVRPTW（带时间窗口的RCVRP）
• 获取方式: 从Hugging Face模型页面下载对应checkpoint文件

使用流程

1. 数据准备:
   • 将数据文件放置在data/dataset/{city}/{city}_data.npz
   • 修改splited_cities_list.json调整训练集
2. 数据生成:
   • 验证数据: python generate_data.py
   • 测试数据: python generate_data.py --seed 3333
3. 模型训练:
   • 示例: python train.py experiment=rrnet env=atsp
4. 模型评估:
   • 提供数据集路径和checkpoint路径进行测试

相关资源

• 论文: arXiv:2503.16159
• 数据集页: HuggingFace Dataset
• 模型页: HuggingFace Models

搜集汇总

数据集介绍

构建方式

RRNCO数据集通过整合全球100个城市的真实路由信息构建而成，这些信息包括复杂的距离矩阵和持续时间矩阵，反映了道路网络、交通状况等现实因素。数据集的生成过程采用了动态子采样技术，允许用户根据需要实时生成实例，从而确保了数据的灵活性和实用性。

特点

RRNCO数据集的一个显著特点是其高度真实的路由信息，这些信息不仅包含了节点间的欧几里得距离，还涵盖了边缘信息，如道路网络和交通状况。这种多维度的数据特性使得该数据集能够更好地模拟现实世界的路由问题，为研究者提供了一个接近真实环境的实验平台。

使用方法

使用RRNCO数据集时，用户首先需要安装相关的依赖环境，并通过提供的脚本克隆仓库和同步依赖。数据集的下载和模型检查点可通过HuggingFace平台获取。此外，用户还可以根据提供的指南安装OSRM后端，以生成新的数据集。通过这些步骤，用户可以灵活地利用RRNCO数据集进行神经组合优化研究，特别是在处理现实世界的路由问题时。

背景与挑战

背景概述

RRNCO数据集由Jiwoo Son等研究人员于2025年提出，旨在解决传统神经组合优化（NCO）方法在现实世界应用中的局限性。传统方法通常依赖于简化的二维欧几里得距离，忽略了实际路网、交通状况等复杂因素。RRNCO数据集包含了全球100个城市的真实路由信息，能够动态生成实例，为研究提供了更为真实的场景。该数据集不仅推动了神经组合优化领域的发展，还为智能交通系统、物流规划等实际应用提供了重要的数据支持。

当前挑战

RRNCO数据集面临的挑战主要体现在两个方面。首先，在领域问题层面，如何有效处理复杂的距离矩阵和持续时间矩阵，以应对现实世界中的多变路况和交通状况，是一个亟待解决的难题。其次，在数据集构建过程中，如何确保数据的准确性和实时性，尤其是在全球范围内采集和处理大规模路由信息时，技术实现和数据管理方面的挑战尤为突出。这些挑战不仅要求算法的高效性，还需要数据生成和处理流程的精细设计。

常用场景

经典使用场景

RRNCO数据集在神经组合优化领域中被广泛应用于解决复杂的现实世界路由问题。该数据集通过提供全球100个城市的真实路由信息，使得研究者能够在模拟环境中生成和测试各种路由实例。这种数据集的使用场景特别适合于需要处理复杂道路网络、交通状况和距离矩阵的研究，为开发更高效的路径规划算法提供了坚实的基础。

实际应用

在实际应用中，RRNCO数据集被广泛用于智能交通系统、物流配送优化和城市交通管理等领域。通过利用该数据集中的真实路由信息，企业和研究机构能够开发出更加精准和高效的路径规划系统，从而减少运输成本、提高配送效率，并优化城市交通流量。这些应用不仅提升了运营效率，还为城市可持续发展提供了技术支持。

衍生相关工作

RRNCO数据集的发布催生了一系列相关研究工作，特别是在神经组合优化和路径规划领域。许多研究者基于该数据集开发了新的模型和算法，进一步提升了路由优化的性能。例如，一些研究提出了基于图神经网络的路径规划方法，能够更好地处理复杂的道路网络和动态交通状况。这些衍生工作不仅丰富了学术研究的内容，也为实际应用提供了更多可能性。