City-Scale, Path-Reconstructed Trajectory Dataset of Instant Delivery Riders

该数据集名为“City-Scale, Path-Reconstructed Trajectory Dataset of Instant Delivery Riders”，由哈尔滨工业大学深圳校区的研究团队创建。数据集包含了北京城市规模的即时配送骑手的轨迹信息，数据来源于公开的配送订单信息数据集，通过路径重建方法进行生成。数据集包含了79,648条配送轨迹，由986名骑手完成，共配送了267,529个订单。该数据集可用于研究配送骑手的时空移动模式、骑手工作量与劳动力动态、即时配送骑手的可持续发展问题等领域。

This dataset, named "City-Scale, Path-Reconstructed Trajectory Dataset of Instant Delivery Riders", was created by a research team from the Harbin Institute of Technology, Shenzhen. It encompasses trajectory data of instant delivery riders at the urban scale in Beijing. The data is generated from public delivery order information datasets via path reconstruction methods. The dataset includes 79,648 delivery trajectories completed by 986 riders, covering a total of 267,529 delivery orders. This dataset can be utilized for research on spatiotemporal movement patterns of delivery riders, workload and labor dynamics, sustainable development issues of instant delivery riders and other related research fields.

搜集汇总

数据集介绍

构建方式

该数据集通过路径重构方法构建，基于北京即时配送骑手的公开订单数据，利用主要在线地图服务的骑行路线模拟技术生成高分辨率时空轨迹。首先从28天的匿名骑手任务记录中提取基于波次的配送链，随后通过地图API逐段生成连续轨迹，确保与真实骑行路径高度吻合。验证阶段显示重构路径与实际行程指标具有强相关性，距离和时长的皮尔逊相关系数分别达到0.92和0.79。

使用方法

建议使用Python的geopandas库加载GeoJSON数据，结合shapely进行空间分析。该数据集适用于研究城市物流系统优化、骑手劳动强度评估及可持续交通政策制定。使用时需注意数据时间范围限定在2020年2月，且轨迹仅包含骑手执行配送波次期间的移动路径。数据集通过Figshare平台公开，遵循CC BY 4.0许可协议，配套提供基于kepler.gl的交互式可视化工具和GitHub开源路径重构代码。

背景与挑战

背景概述

随着按需经济的迅猛发展，城市物流与交通系统经历了深刻变革，即时配送骑手作为新兴城市交通参与者，其高分辨率轨迹数据长期匮乏。由哈尔滨工业大学（深圳）张成博、李永林与肖作鹏研究团队构建的《City-Scale, Path-Reconstructed Trajectory Dataset of Instant Delivery Riders》数据集，通过路径重构技术整合北京28天匿名配送订单数据，结合在线地图服务生成连续骑行轨迹，填补了该领域数据空白。该数据集包含79,648个配送波次、986名骑手完成的267,529笔订单，其重构轨迹与真实出行指标的皮尔逊相关系数达0.92（距离）和0.79（时长），为城市计算、交通建模及可持续物流研究提供了关键基础设施。

当前挑战

该数据集构建面临双重挑战：在领域问题层面，即时配送特有的多订单波次处理机制导致传统OD点对建模失效，需开发新型轨迹重构算法以捕捉骑手复杂的多站点路径决策行为；在技术实现层面，原始数据存在时空断裂与隐私脱敏问题，需通过在线地图API模拟真实路网约束下的骑行路径，同时确保数据匿名化处理不损害轨迹空间精度。此外，配送场景动态性（如餐厅等餐时间）导致行程时长估计偏差，需设计时间插值补偿机制以提升时序数据可信度。

常用场景

经典使用场景

在即时配送领域，该数据集通过高精度的路径重建技术，为研究者提供了城市尺度下配送骑手的连续轨迹数据。这些数据不仅捕捉了骑手在多订单配送过程中的复杂路径选择行为，还反映了其与城市交通网络的动态交互。数据集特别适用于分析骑手在高峰时段的配送效率、路径优化策略以及对城市交通流的影响。

解决学术问题

该数据集填补了即时配送骑手高分辨率轨迹数据的空白，解决了以往研究中因数据稀缺而难以量化骑手行为模式的问题。通过提供真实的路径重建数据，研究者能够深入分析骑手的移动规律、配送效率及其对城市物流系统的贡献。此外，数据集还为城市交通管理、物流优化和可持续发展政策提供了科学依据。

实际应用

在实际应用中，该数据集被广泛用于即时配送平台的运营优化。例如，平台可以利用这些数据优化骑手的配送路线，减少配送时间并提升服务质量。同时，城市规划者可以基于数据集的时空分析结果，优化城市物流基础设施的布局，缓解交通拥堵。此外，数据集还为政策制定者提供了支持，帮助其制定更高效的配送行业监管政策。

数据集最近研究

最新研究方向

随着即时配送行业的迅猛发展，城市尺度的配送骑手轨迹数据集正成为城市计算与智慧物流领域的研究热点。该数据集通过路径重构技术，将离散的配送订单信息转化为连续的高精度时空轨迹，为揭示骑手移动规律提供了全新视角。当前研究主要聚焦于三个方向：基于多停留点配送波次的复杂路径优化算法开发，旨在提升即时物流系统的运作效率；骑手劳动强度与城市时空节奏的耦合关系分析，为平台经济下的劳动者权益保护提供数据支撑；配送活动产生的碳排放与交通冲突建模，推动绿色城市物流体系的构建。这些研究不仅深化了对共享经济背景下新型城市交通形态的理解，更为智慧城市中的可持续交通规划提供了决策依据。

相关研究论文

• Deciphering Delivery Mobility: A City-Scale, Path-Reconstructed Trajectory Dataset of Instant Delivery Riders

  哈尔滨工业大学深圳校区 · 2025年