深度学习在交通领域的数据集和数据集介绍

交通领域开源数据集

1. 航运

MOL Shipping Data
- 描述：该数据集包含了MOL（Mitsui O.S.K. Lines）航运公司的船舶运输数据，包括船舶的航行轨迹、货物信息、港口停靠记录等。数据集提供了详细的船舶运营信息，有助于分析全球航运网络和船舶运营效率。
- 特点：高度的实时性和全球覆盖范围，数据经过加密处理，保障了商业机密的安全性。
- 使用方法：通过API接口或直接下载数据文件进行访问，利用数据分析工具如Python、R等进行深入挖掘。
- 数据来源：MOL Shipping Data
亿海蓝航运大数据应用服务平台
- 描述：该平台主要包括全球海事信息服务平台——船讯网、国际供应链物流数据协同与可视化平台——CargoGo、国际贸易结算真实性核查系统——RegTech提单盾，以及面向政府的涉海监管及研判分析平台。
- 应用场景：软件和信息技术服务业
- 数据来源：亿海蓝航运大数据应用服务平台
全球航运排放量数据集（2013，2016-2021年）
- 描述：该数据集包含了2013年、2016-2021年的全球航运排放量数据，适用于航运排放研究和环境影响评估。
- 数据来源：黄河数据中心

2. 公路与高速

Yolo_detection45138
- 描述：本研究旨在基于改进的YOLOv11模型，构建一个高效的交通场景智能监测系统。该系统将利用包含7300幅图像的多类别数据集，涵盖行人、自行车、各种交通标志和信号灯、以及多种类型的车辆等多个类别。
- 用途：通过对交通场景的实时监测，智能监测系统不仅能够有效识别交通参与者及其行为，还能及时反馈交通信号和标志的状态。
- 数据来源：Yolo_detection45138
SmartTrafficAI
- 描述：本仓库用于记录本人在完成毕业设计过程中学习人工智能相关知识的过程，包括但不限于OpenCV、深度学习和机器学习。
- 用途：完成基于OpenCV与人工智能相结合的智慧交通管理系统，实现对交通流量的智能监控与管理。
- 数据来源：SmartTrafficAI
python25_traffic_predict_nb
- 描述：计算机毕业设计Python+Flask智慧交通客流量分析预测，交通大数据线性回归预测，大数据毕业设计数据可视化。
- 用途：交通流量预测和数据分析。
- 数据来源：python25_traffic_predict_nb
FYP202273
- 描述：本研究旨在基于改进的YOLOv11模型，构建一个高效的交通场景智能监测系统。该系统将利用包含1700张图像的数据集，涵盖了多个交通元素，如自行车、摩托车、行人、交通信号灯及交通标志等。
- 用途：实时监测交通流量、识别交通违规行为，并为交通管理部门提供数据支持。
- 数据来源：FYP202273
python_traffic_predict2025
- 描述：Tensorflow交通标志识别检测，自动驾驶，机器学习，深度学习，人工智能，PyTorch大数据。
- 用途：交通标志识别检测。
- 数据来源：python_traffic_predict2025
traffic_checks
- 描述：本系统使用Python作为主要编程语言，基于TensorFlow搭建卷积神经网络算法模型，通过对收集到的58种常见的交通标志图像作为数据集进行迭代训练，最后得到一个识别精度较高的模型文件。
- 用途：交通标志识别系统。
- 数据来源<