HouseTS：一个大规模、多模态时空美国住房数据集与基准
人工智能
2026-02-10 v2
摘要
准确的长周期房价预测需要能够捕捉时间动态以及随时间变化的局部上下文的基准。然而，现有的公开资源仍然碎片化：许多数据集在空间覆盖范围、时间深度或多模态对齐方面存在局限；现代深度预测器和时间序列基础模型在住房数据上的鲁棒性尚未得到充分表征；且航空影像很少在大规模下以时间感知和可解释的方式被利用。为了弥补这些不足，我们提出了 HouseTS (House Time Series)，一个用于 ZIP 编码级别住房市场分析的多模态时空数据集，覆盖了 2012 年 3 月至 2023 年 12 月期间美国 30 个主要大都市区 6,000 多个 ZIP 编码的月度信号。HouseTS 在统一模式下对齐了月度住房市场指标、月度 POI 动态以及年度基于普查的社会经济变量，并包含带时间戳的年度航空影像。基于 HouseTS，我们定义了用于单变量和多变量预测的标准化长周期预测任务，并对涵盖统计方法、经典机器学习、深度神经网络和时间序列基础模型的 16 个模型族在零样本和微调模式下进行了基准测试。我们还通过视觉-语言流水线结合 LLM-as-judge 和人工验证，从多年航空影像序列中提供了图像衍生的文本变化标注，以支持可扩展的可解释性分析。HouseTS 可在 Kaggle 上获取，代码和文档可在 GitHub 上获取。
引用
@article{arxiv.2506.00765,
title = {HouseTS: A Large-Scale, Multimodal Spatiotemporal U.S. Housing Dataset and Benchmark},
author = {Shengkun Wang and Yanshen Sun and Fanglan Chen and Linhan Wang and Naren Ramakrishnan and Chang-Tien Lu and Yinlin Chen},
journal= {arXiv preprint arXiv:2506.00765},
year = {2026}
}