ODTQA-FoRe

ODTQA-FoRe是由北京师范大学研究团队构建的首个面向未来数据预测与推理的开域表格问答数据集，旨在填补该领域研究资源的空白。该数据集基于中国10个城市的房地产交易记录，涵盖2022年至2024年的时序数据，包含28,507个问答对，数据源涉及288个表格，平均每个表格包含845行数据，并严格划分训练、验证和测试集以保障评估的公正性。其构建过程通过精心设计的26套模板，自动化生成了8,042条时序预测问题和20,465条基于预测的推理问题，确保了问题的多样性和复杂性。该数据集主要应用于增强大语言模型在开放领域中对时序数据进行未来预测和复杂推理的能力，旨在解决传统表格问答系统在动态数据预测和跨领域检索方面的局限性，为房地产等垂直领域的投资决策提供智能化支持。ODTQA-FoRe is the first open-domain tabular question answering dataset targeting future data prediction and reasoning, developed by the research team at Beijing Normal University to fill the research resource gap in this field. Built upon real estate transaction records from 10 Chinese cities, the dataset covers time-series data spanning 2022 to 2024 and contains a total of 28,507 question-answer pairs. It is sourced from 288 tables, with an average of 845 rows per table. To ensure the fairness of model evaluation, the dataset is strictly split into training, validation, and test sets. During the dataset construction process, 26 meticulously designed templates were employed to automatically generate 8,042 time-series prediction questions and 20,465 prediction-based reasoning questions, thus ensuring the diversity and complexity of the questions. This dataset is primarily applied to enhance the ability of large language models (LLMs) to perform future prediction and complex reasoning on time-series data in open-domain scenarios. It aims to address the limitations of traditional tabular question answering systems in dynamic data prediction and cross-domain retrieval, and provide intelligent support for investment decision-making in vertical domains such as real estate.

原始信息汇总

ODTQA-FoRe 数据集概览

• 数据集名称：ODTQA-FoRe
• 数据集地址：GitHub - jensenw1/ODTQA-FoRe
• 数据集描述：该数据集项目提供了一套用于运行模型服务的脚本，支持通过配置参数进行预测。数据集相关的核心内容是基于 PostgreSQL 数据库进行数据表管理，并依赖 Docker 容器化环境。项目包含表导入自动化脚本（datasets/tables/import_table.ipynb），用于将数据集表结构及数据加载到数据库中。

数据集使用流程

1. 数据库环境搭建：使用 Docker 启动 PostgreSQL 容器，并通过 datasets/tables/import_table.ipynb 脚本将所有表格导入数据库。
2. 环境配置：基于 Conda 创建 Python 3.10.5 环境，安装 requirements.txt 中的依赖包。
3. 模型预测执行：通过 scripts/run.sh 脚本运行模型，需依次传入模型名称、工作进程数、服务基础 URL 和 API 密钥四个参数。

数据集关键要素

• 依赖环境：Conda、Docker、PostgreSQL（alpine 版本）
• 端口：PostgreSQL 服务默认监听 5432 端口
• 数据存储：数据表位于 datasets/tables/ 目录下，以 Jupyter Notebook 形式提供导入逻辑

搜集汇总

数据集介绍

构建方式

ODTQA-FoRe数据集基于真实的房地产市场交易记录构建，涵盖了2022年至2024年间中国10个主要城市的房产数据。数据来源于RETQA数据集，并进行了扩展，新增了天津和成都两个城市，时间跨度延伸至2024年底。为构建适合未来预测与推理的问答对，研究团队以2023年12月31日为参考日期，将2022至2023年的数据作为历史观测，2024年的数据作为未来标签，并严格筛选出在历史期至少具有六个月销售记录且在预测期至少有一条记录的项目，最终获得11,149个高质量项目。项目数据按照6:2:2的比例划分为训练集、验证集和测试集，确保项目不重叠。随后，历史数据按城市、区域和年份聚合为288张表格，导入PostgreSQL数据库作为可查询的知识库；未来数据则单独存储于另一个数据库中。在此基础上，设计了26组种子模板（7组用于时间序列预测，19组用于基于预测的推理），通过随机采样城市、区域、项目名称和时间变量，自动化生成了28,507个问答对，每个问答对包含自然语言问题、历史数据SQL、未来标签SQL以及确定性答案。

使用方法

ODTQA-FoRe数据集专为评估和推动开放域表格问答系统在时间序列预测与推理方向的发展而设计。使用者首先需下载数据集，并依据提供的训练集、验证集和测试集划分进行模型开发与评估。基准框架TimeFore提供了一套完整的方法论，其工作流程可概括为三个协同作用的智能体：检索器（Retriever）负责通过摘要生成与BM25算法定位目标表格，并自主编写SQL语句从数据库中提取历史数据；预测器（Forecaster）利用函数调用机制，调用外部专业化时间序列模型（如TimesNet用于插补、TimeXer用于预测）生成未来12个月的房价趋势；分析器（Analyzer）则基于BERT分类器识别问题类型，并选用相应的提示模板，综合历史与预测数据给出格式化的最终答案。该数据集支持将模型生成的预测结果与2024年的真实标签进行对比，使用均方误差、平均绝对误差等指标评估预测精度，以及使用准确率、F1分数等指标评估推理效果。

背景与挑战

背景概述

在大型语言模型快速发展的背景下，表格问答系统虽已取得显著进展，却大多局限于静态历史数据的检索与推理，难以满足用户对时序预测与前瞻性决策的迫切需求。针对这一空白，北京师范大学的研究团队于2026年提出了ODTQA-FoRe数据集，该数据集由王振升、杨文冕、贾维嘉等学者共同构建，聚焦于“面向未来数据预测与推理的开放域表格问答”这一新兴研究问题。数据集基于2022至2024年中国十大城市的真实房产交易记录，涵盖28,507个问答对，横跨288张表格，系统性地将时序预测与基于预测的推理任务引入开放域表格问答领域，为该方向提供了首个标准化基准资源。

当前挑战

该任务面临三重核心挑战。其一，历史数据检索的精度瓶颈：系统需在包含288张候选表的庞大数据库中自主定位相关表格并精准提取时序序列，其检索要求远超传统表格问答。其二，大型语言模型固有的预测局限：由于模型主要基于静态文本训练，缺乏动态时序建模机制，直接进行未来数据预测时精度显著低于专用时序模型。其三，问题类型判别与标准化应答的复杂性：用户查询涵盖时序预测与推理两类，各类别对答案格式与推理策略的要求迥异，系统须具备精准的类型识别能力并生成格式统一的回答。此外，数据集构建过程中还需应对房产数据的天然稀疏性，确保时间序列的连续性与预测任务的可评估性。

常用场景

经典使用场景

ODTQA-FoRe数据集最经典的使用场景在于评估和推动大语言模型在开放域表格问答中面向未来数据进行时序预测和推理的能力。该数据集基于中国十个城市的真实房地产交易记录构建，包含28,507个问答对，系统需从288张候选表格中自主检索相关历史数据，并完成对未来房价的数值预测及基于预测结果的比较、筛选等推理任务，为检验模型在多表检索、SQL生成、时序预测与数值推理的协同能力提供了标准化基准。

解决学术问题

该数据集填补了开放域表格问答领域缺乏面向未来数据预测与推理任务的研究空白。现有研究多聚焦于静态数据库上的检索与推理，难以应对用户对房价走势预测、社区间价格涨幅对比等前瞻性查询。ODTQA-FoRe明确提出了三项核心挑战：历史数据的精准检索、大语言模型在时序预测上的固有局限，以及多样化查询类型的识别与标准化回答生成，为推动模型从历史问答向未来决策支持的学术演进提供了关键资源。

实际应用

在实际应用中，ODTQA-FoRe直接服务于房地产投资决策支持场景。例如，购房者或投资者可以询问“下个月广州天河区阳光城的均价是多少”或“明年深圳宝安区万科未来之光与都会花园哪个均价涨幅更大”。系统需自动检索海量历史交易数据，调用专业时序模型进行预测，并生成结构化回答，从而辅助用户进行房产购买、出租或资产配置等实际决策。

数据集最近研究

最新研究方向

基于大语言模型与专业时序模型协同的开放域表格问答未来数据预测与推理，ODTQA-FoRe数据集聚焦于房地产领域，突破了传统静态表格问答的局限，开创性地将时间序列预测与基于预测的推理任务引入开放域场景。该研究通过提出TimeFore框架，以检索器、预测器与分析器三智能体协作机制，精准应对历史数据获取、未来数据预测及多类型问题标准化回答的挑战，实验表明其性能显著优于仅依赖大语言模型的基线方法。这一工作不仅弥合了当前表格问答在时序预测能力上的空白，更为金融、零售等垂直领域的数据驱动决策提供了可拓展的范式，具有重要的理论与应用价值。

相关研究论文

• ODTQA-FoRe: An Open-Domain Tabular Question Answering Dataset for Future Data Forecasting and Reasoning

  北京师范大学·人工智能学院; 北京师范大学·人工智能与未来网络研究院; 北京师范大学·文理学院; 北京师范大学-香港浸会大学联合国际学院 · 2026年