zaai-ai/time_series_datasets

该数据集源自Athanasopoulos et al. (2011)，并增加了来自澳大利亚政府官方来源的经济协变量（如CPI、通货膨胀率、GDP）。数据集经过预处理，包括为每个系列分配唯一ID、动态设置每个系列的起始日期以及提取静态协变量，以增强其在时间序列分析和预测任务中的实用性。数据集包含唯一ID、时间列、目标变量（访问量）、动态协变量（如CPI、通货膨胀率、GDP）和静态协变量（如地理位置和访问目的）。该数据集适用于研究人员、经济学家和政策制定者进行旅游趋势预测、理解旅游的经济影响以及进行综合分析。

This dataset is derived from Athanasopoulos et al. (2011), with additional economic covariates (e.g., CPI, inflation rate, GDP) sourced from official Australian government publications. The dataset has been preprocessed, including assigning unique IDs to each series, dynamically setting the start date for each series, and extracting static covariates to enhance its utility for time series analysis and forecasting tasks. The dataset contains unique IDs, time columns, target variables (visitor volume), dynamic covariates (e.g., CPI, inflation rate, GDP), and static covariates (e.g., geographic location and visit purpose). This dataset is suitable for researchers, economists, and policymakers to conduct tourism trend forecasting, understand the economic impacts of tourism, and perform comprehensive analyses.

原始信息汇总

数据集概述

基本信息

• 语言: 英语
• 许可证: CC BY 4.0
• 多语言性: 单语种
• 大小范围: 10K<n<100k
• 任务类别: 时间序列预测
• 任务ID:
  • 单变量时间序列预测
  • 多变量时间序列预测

数据集描述

• 名称: Tourism Monthly Time Series Dataset with Economic and Static Covariates
• 来源: 基于Athanasopoulos et al. (2011)的数据集，增加了来自澳大利亚官方的经济变量（如CPI、通胀率、GDP）。
• 预处理: 包括创建唯一ID、动态设置起始日期、提取静态变量等，以优化时间序列分析和预测任务。

数据集结构

• 唯一ID: 结合澳大利亚各州、区域及访问目的的编码。
• 时间列: 动态调整，以首个非零目标变量日期为起始。
• 目标变量: 访问量。
• 动态变量: 如CPI、通胀率、GDP等经济指标。
• 静态变量: 包括地理和访问目的等静态信息。

使用场景

• 面向研究人员、经济学家和政策制定者，用于预测旅游趋势、理解旅游经济影响及进行综合分析。

许可证

• 本数据集遵循Creative Commons Attribution 4.0 International (CC BY 4.0)许可证。

搜集汇总

数据集介绍

构建方式

该数据集源自Athanasopoulos等人2011年的研究，聚焦于澳大利亚旅游业的月度时间序列数据。在原始数据基础上，整合了来自澳大利亚政府官方渠道的经济协变量，包括消费者价格指数（CPI）、通货膨胀率及国内生产总值（GDP）等。通过预处理优化，为每条序列生成唯一标识符，并根据目标变量（访问量）首次非零的日期动态设定起始时间。同时，从唯一标识中提取了四个静态协变量，涵盖地理区域与访问目的等维度，从而构建出一个兼具动态经济指标与静态属性的结构化数据集。

特点

数据集的核心特点在于其多维度的丰富性。它融合了时间序列的动态变化与静态协变量的固定属性，为单变量与多变量时间序列预测提供了坚实基础。动态协变量如经济指标随时间演化，静态协变量则刻画了旅游类型的地域与目的差异。每条序列拥有独立的起始日期，避免了零值干扰，提升了数据质量。此外，数据集规模介于10K至100K之间，覆盖广泛，特别适用于旅游业趋势分析与经济影响评估。

使用方法

该数据集面向研究人员、经济学家及政策制定者，用于旅游趋势预测与经济影响分析。使用时，可直接加载包含唯一标识、时间列、目标变量及协变量的结构化表格。动态协变量（如CPI、GDP）可用于建模时间依赖关系，静态协变量（如区域与目的）则支持分组分析或作为模型额外特征。建议采用支持协变量的深度学习或统计模型（如Transformer或Prophet），以充分利用其时间与静态双重特性。数据采用CC BY 4.0许可，允许广泛研究用途。

背景与挑战

背景概述

在时间序列预测领域，旅游需求预测一直是经济学与数据科学交叉研究的热点，其准确性对政策制定与资源配置至关重要。zaai-ai/time_series_datasets数据集由Athanasopoulos等人于2011年首次提出，后经研究团队扩展，整合了来自澳大利亚政府官方来源的经济协变量（如消费价格指数、通货膨胀率与国内生产总值），形成月度旅游数据集合。该数据集的核心研究问题在于，如何通过引入动态经济指标与静态属性（如旅行目的与地理区域），提升多变量与单变量时间序列预测模型的泛化能力。其独特之处在于为每条序列动态设置起始日期，并提取四种静态协变量，从而为深度学习与统计方法提供了丰富的结构化信息。这一资源对旅游经济学、宏观经济分析及预测模型基准测试具有重要影响力，推动了融合外部协变量的时间序列建模研究。

当前挑战

该数据集面临的挑战涵盖领域问题与构建过程两方面。在领域层面，旅游需求预测需应对季节性波动、突发事件（如自然灾害或疫情）对序列稳定性的干扰，以及经济协变量与旅游指标间的非线性滞后关系，传统线性模型难以捕捉这些复杂动态。同时，多变量预测中协变量维度的增加易引发过拟合，需设计鲁棒的特征选择机制。在构建过程中，数据整合面临多源异构问题：经济指标与旅游数据的采集频率、统计口径存在差异，导致时间对齐困难；静态协变量从唯一标识符中提取时，需处理编码歧义与地理层级冲突（如州、区域与地区间的嵌套关系）。此外，部分序列因起始日期动态调整而长度不一，为批量建模与损失函数设计带来额外复杂度。

常用场景

经典使用场景

该数据集专为时间序列预测任务设计，尤其适用于单变量与多变量预测场景。其核心价值在于整合了澳大利亚旅游业的月度访问量数据，并同步引入了消费者价格指数、通货膨胀率、国内生产总值等动态经济协变量，以及基于地理区域与访问目的提取的静态协变量。研究者可借助该数据集构建诸如长短期记忆网络、时序卷积网络或Transformer等深度学习模型，以捕捉旅游需求随经济环境波动的复杂模式，从而实现对旅游流量的精准前瞻性预估。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于注意力机制的多变量预测模型（如Temporal Fusion Transformer）在旅游需求预测中的适配研究，以及将静态协变量与动态时间特征融合的图神经网络架构（如STGCN）在区域旅游网络分析中的应用。此外，部分工作进一步拓展了该数据的边界，通过引入天气或事件数据构建多源异构融合框架，显著提升了长周期预测的鲁棒性，为时序预测领域贡献了兼具理论深度与实用价值的基准测试平台。

数据集最近研究

最新研究方向

随着全球经济复苏与旅游业的蓬勃发展，精准预测旅游需求已成为经济学与数据科学交叉领域的前沿热点。该数据集基于澳大利亚官方经济指标，融合了月度游客访问量、动态协变量（如CPI、通胀率、GDP）及静态协变量（如地理区域与旅行目的），为多变量时间序列预测提供了高质量基准。近期研究聚焦于利用Transformer架构与图神经网络捕捉旅游数据中的长期依赖与空间关联，同时结合宏观经济波动进行鲁棒性建模。该数据集在COVID-19后复苏分析、政策效果评估及可持续旅游规划中具有重要应用价值，推动了时间序列预测从单一变量向复杂经济系统建模的范式跃迁。