数据集概述
本数据集为《交通感知城市物流中基于数字高程模型的电动汽车旅行商问题》一文的补充材料，包含马德里城市物流场景下电动汽车路径规划的算法代码、测试实例、模型文件及仿真数据，支持论文中算法的复现、评估与扩展分析，共含20个文件。
文件详解
- 代码文件（.py）
- 算法实现：algorithm.py（马德里EV-TSP求解算法）、bellmanFord.py（Bellman-Ford算法）、twoOptNearestNeighnors.py（2-Opt算法）
- 评估与训练：evaluation.py（论文表1/2结果评估）、neuralNetworkTraining.py（神经网络训练）、nn_model_predictor.py（模型预测）、simulation.py（2022年10-11月路径仿真）
- 测试实例（.pkl）
- 文件名称：Madrid5.pkl、Madrid10.pkl、Madrid15.pkl、madrid_elevation_energy.pckl
- 内容：马德里城市图节点列表，包含不同规模的路径规划测试站点集合
- 模型与预处理文件
- 模型文件：energy_estimation_full.h5（Keras能量估计模型）、scaler_full.pkl（模型所需缩放器）
- 仿真结果：simulationOctober.pkl、simulationNovember.pkl（月度仿真路径）
- 数据文件
- 坐标数据：coords.csv（节点ID、经度、纬度）、elev_Madrid.json（高程数据）、Madrid_elevation.gpickle（带高程的图结构）
- 交通数据：snapshots_2022.zip（2022年10-11月交通快照）
- 其他文件
- 依赖清单：requirements.txt（Python库版本要求）
数据来源
论文“The Electric Vehicle Travelling Salesman Problem on Digital Elevation Models for Traffic-Aware Urban Logistics”
适用场景
- 电动汽车路径优化算法研究：复现并验证基于数字高程模型的EV-TSP求解算法性能
- 城市物流交通感知分析：结合2022年马德里交通数据，优化物流配送路径的能耗与效率
- 能量消耗预测模型应用：利用预训练神经网络模型估计不同路径的电动汽车能耗
- 城市交通仿真：基于马德里地理与高程数据，开展多场景下的电动汽车路径仿真实验
- 智能交通系统开发：为交通感知的城市物流系统提供算法与数据支撑
