本数据集以洛杉矶县高速公路为研究区域，以Caltrans PeMS系统采集的交通速度数据为基础，经Li等人（2018）在DCRNN项目中筛选和预处理后形成METR-LA交通速度基准数据集。数据集包含207个环路检测器，时间范围为2012年3月1日至2012年6月30日，时间分辨率为5分钟，共34,272个时间步长，约6,519,002个观测记录。数据仅包含交通速度指标（mph），采用Z-score标准化处理。按照70%、10%、20%的比例划分为训练集、验证集和测试集。基于路网距离使用阈值化高斯核构建传感器间的加权邻接矩阵。该数据集被广泛用于交通预测领域的深度学习模型评估，是时空交通预测的标准基准数据集之一。
交通状态数据：源自加州交通局Caltrans PeMS系统（https://pems.dot.gov/），由Li等人（2018）在DCRNN项目中从原始数据中筛选207个传感器并进行预处理后公开。数据代码地址：https://github.com/liyaguang/DCRNN
一、数据采集
从Caltrans PeMS业务运营系统获取原始环路检测器数据。PeMS系统实时采集加州高速公路全网的车流量、平均速度、占用率等交通参数，数据由加州交通局运营维护。
二、数据筛选与预处理
Li等人（2018）从原始PeMS数据中筛选出207个可靠传感器，覆盖洛杉矶县主要高速公路路段（I-10、I-105、I-110、I-405、I-210等），剔除异常率过高的传感器。原始数据采样频率为20秒至5分钟不等，统一聚合为5分钟时间窗口的平均速度值（mph）。缺失值保留以检验模型鲁棒性。
三、数据集划分
全部时间序列数据按70%、10%、20%比例划分为训练集、验证集和测试集。
四、数据标准化
采用Z-score标准化方法，在训练集上计算均值和标准差后，统一应用于验证集和测试集，避免数据泄露。
五、传感器图构建
计算各传感器之间的路网距离（采用道路网络距离而非欧氏距离），使用阈值化高斯核构建加权邻接矩阵：
W_ij = exp(-dist(v_i, v_j)² / σ²) 若 dist(v_i, v_j) ≤ κ，否则为0
其中σ为距离标准差，κ为阈值。构建的有向加权图的邻接矩阵与速度数据一起提供，用于建模交通流在路网上的扩散过程。
一、原始数据来源可靠性
数据源自Caltrans PeMS业务运营系统，加州交通局官方交通监测平台，数据采集和维护有标准化的质量保障流程。
Li等人（2018）进一步对传感器进行质量筛选，保留207个高质量传感器。
二、数据标准化
Z-score标准化参数仅在训练集上计算，确保验证集和测试集的独立性。
三、缺失值标注
METR-LA数据集中保留原始缺失值位置，不进行人为填充，可用于评估模型对缺失数据的鲁棒性。
四、图结构验证
邻接矩阵为方阵且维度与传感器数量一致（207x207），确保图结构与节点数匹配。
| # | 编号 | 名称 | 类型 |
| 1 | 2022ZD0120000 | 博弈智能场景应用 |
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
