five

UN/LOCODE|国际贸易数据集|物流管理数据集

收藏
github2024-05-20 更新2024-05-31 收录
国际贸易
物流管理
下载链接:
https://github.com/datasets/un-locode
下载链接
链接失效反馈
资源简介:
联合国贸易和运输地点代码是由联合国欧洲经济委员会维护的代码列表,旨在促进贸易。

The United Nations Trade and Transport Locations Code is a code list maintained by the United Nations Economic Commission for Europe, designed to facilitate trade.
创建时间:
2014-08-11
原始信息汇总

数据集概述

数据来源

  • 数据源自联合国欧洲经济委员会(UNECE)的官方页面,网址为:UNECE page
  • 数据更新频率至少为每年一次。

许可协议

AI搜集汇总
数据集介绍
main_image_url
构建方式
LOCODE数据集的构建基于联合国贸易和运输地点代码,由联合国欧洲经济委员会(UNECE)维护。数据来源于UNECE官方页面,每年至少更新一次。由于原始发布文件存在编码问题,构建过程中需要处理mdb和csv格式的文件。具体步骤包括使用MDBTools和CSVKit工具下载当前版本的文件,并通过执行bash脚本和Python脚本进行数据整合。Python脚本依赖于pandas和titlecase库,确保数据格式的统一和标准化。
使用方法
使用LOCODE数据集时,用户需先安装必要的工具和库,如MDBTools、CSVKit、pandas和titlecase。通过执行提供的bash和Python脚本,用户可以下载并整合最新版本的数据。数据集以csv格式提供,便于导入各种数据分析工具进行进一步处理。用户可根据需求筛选特定国家或地区的数据,应用于物流、贸易分析等领域。
背景与挑战
背景概述
LOCODE数据集,由联合国欧洲经济委员会(UNECE)维护,旨在促进贸易和运输地点的标准化编码。该数据集的核心研究问题在于如何通过统一的编码系统简化全球贸易和运输的复杂性,从而提高效率并减少错误。自其创建以来,LOCODE已成为国际贸易和物流领域的重要工具,每年至少更新一次,确保其数据的时效性和准确性。UNECE作为主要研究机构,持续推动该数据集的发展,使其在全球范围内得到广泛应用,对国际贸易的标准化和信息化进程产生了深远影响。
当前挑战
LOCODE数据集在构建过程中面临的主要挑战包括原始文件的编码问题,这要求使用特定的工具如MDBTools和CSVKit进行处理。此外,数据集成过程中需要运行Python脚本,确保数据的一致性和完整性。另一个挑战是数据更新的频率,尽管每年至少更新一次,但如何确保每次更新的数据都能及时反映全球贸易和运输地点的变化,仍然是一个持续的挑战。此外,数据集的广泛应用也带来了如何在全球不同地区和文化背景下保持一致性和易用性的问题。
常用场景
经典使用场景
LOCODE数据集在贸易和运输领域中被广泛应用,主要用于标准化全球各地的贸易和运输地点的编码。通过这一编码系统,企业、政府机构和国际组织能够更高效地进行跨境贸易和物流管理,确保信息的准确性和一致性。
解决学术问题
LOCODE数据集解决了全球贸易和运输领域中地点标识不统一的问题,为学术研究提供了标准化的地理编码基础。这一数据集支持了多领域的研究,包括国际贸易、物流优化和全球供应链管理,极大地促进了相关领域的研究进展。
实际应用
在实际应用中,LOCODE数据集被广泛用于国际贸易、物流管理和供应链优化等领域。企业利用这一数据集进行货物追踪、运输路线规划和海关申报,政府机构则通过它进行贸易统计和政策制定,从而提升了全球贸易的效率和透明度。
数据集最近研究
最新研究方向
在物流与贸易领域,LOCODE数据集的最新研究方向主要集中在优化全球贸易运输网络的效率与准确性。随着全球化的深入,贸易路线的复杂性不断增加,LOCODE作为联合国维护的贸易和运输地点代码列表,其精确性和实时更新能力成为研究的关键。当前的研究热点包括利用LOCODE数据集进行智能物流系统的开发,通过数据分析预测贸易流量,以及在跨境电商中应用LOCODE以提高配送效率。这些研究不仅提升了贸易和运输的透明度,还对全球经济一体化产生了深远的影响。
以上内容由AI搜集并总结生成
用户留言
有没有相关的论文或文献参考?
这个数据集是基于什么背景创建的?
数据集的作者是谁?
能帮我联系到这个数据集的作者吗?
这个数据集如何下载?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集

中国区域地面气象要素驱动数据集 v2.0(1951-2024)

中国区域地面气象要素驱动数据集(China Meteorological Forcing Data,以下简称 CMFD)是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素,时间分辨率为 3 小时,水平空间分辨率为 0.1°,时间长度为 74 年(1951~2024 年),覆盖了 70°E~140°E,15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据,并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品,其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展,其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本,而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集,但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外,在制作 CMFD 2.0 的过程中,研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息,显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时,CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年,并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同,但其有效数据扩展到了中国之外,能够更好地支持跨境区域研究。为方便用户使用,CMFD 2.0 还在基础变量集之外提供了若干衍生变量,包括近地面相对湿度、雨雪分离降水产品等。此外,CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术,转而直接将实型数据压缩存储于 NetCDF4 格式文件中,从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7,但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变,故将其版本号重新定义为 2.0。

国家青藏高原科学数据中心 收录

MeSH

MeSH(医学主题词表)是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念,用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息,广泛应用于医学文献的分类和检索。

www.nlm.nih.gov 收录

gold-prices

自1950年以来的每月黄金价格数据,以美元计价(伦敦市场)。数据来源于德国联邦银行。

github 收录

中国行政区划shp数据

   中国行政区划数据是重要的基础地理信息数据,目前不同来源的全国行政区划数据非常多,但能够开放获取的高质量行政区域数据少之又少。基于此,锐多宝的地理空间制作一套2013-2023年可开放获取的高质量行政区划数据。该套数据以2022年国家基础地理信息数据中的县区划数据作为矢量基础,辅以高德行政区划数据、天地图行政区划数据,参考历年来民政部公布的行政区划为属性基础,具有时间跨度长、属性丰富、国界准确、更新持续等特性。   中国行政区划数据统计截止时间是2023年2月12日,包含省、市、县、国界、九段线等矢量shp数据。该数据基于2020年行政区划底图,按时间顺序依次制作了2013-2023年初的行政区划数据。截止2023年1月1日,我国共有34个省级单位,分别是4个直辖市、23个省、5个自治区和2个特别行政区。截止2023年1月1日,我国共有333个地级单位,分别是293个地级市、7个地区、30个自治州和3个盟,其中38个矢量要素未纳入统计(比如直辖市北京等、特别行政区澳门等、省直辖县定安县等)。截止2023年1月1日,我国共有2843个县级单位,分别是1301个县、394个县级市、977个市辖区、117个自治县、49个旗、3个自治旗、1个特区和1个林区,其中9个矢量要素未纳入县级类别统计范畴(比如特别行政区香港、无县级单位的地级市中山市东莞市等)。

CnOpenData 收录

学生课堂行为数据集 (SCB-dataset3)

学生课堂行为数据集(SCB-dataset3)由成都东软学院创建,包含5686张图像和45578个标签,重点关注六种行为:举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景,通过YOLOv5、YOLOv7和YOLOv8算法评估,平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础,解决教育领域中学生行为数据集的缺乏问题。

arXiv 收录