davnas/real-time-library-occupancy

该数据集包含多个特征，如时间、KTH图书馆、东南画廊、北画廊、南画廊、Ångdomen和Newton，这些特征的名称和数据类型都有详细说明。数据集包含一个训练集分割，该分割的大小和示例数量也被列出。此外，README文件还提供了数据集的下载大小和总大小，以及配置信息。The dataset includes features such as time and counts for multiple locations (e.g., KTH Library, South-East Gallery, etc.), all of which are of type int64. The dataset is split into a training set (train) with 1464 examples, occupying 103944 bytes. The download size of the dataset is 21355 bytes, and the dataset size is 103944 bytes.

搜集汇总

数据集介绍

构建方式

该数据集名为davnas/real-time-library-occupancy，旨在捕捉图书馆空间实时占用情况。其构建方式基于对多个图书馆区域（如KTH Library、South-East Gallery、North Gallery、South Gallery、Ångdomen和Newton）的 occupancy 数据进行系统采集。数据以时间戳为索引，每个区域对应一个整型数值字段，记录该时刻的占用人数。数据集被划分为单个训练集，包含95164个样本，总大小为6.76 MB，采用分片存储格式，便于高效加载与处理。

特点

该数据集的核心特点在于其多区域、时间序列的结构设计，覆盖了六个不同阅览空间，能够反映图书馆内部各区域的动态使用模式。每个样本均包含精确的时间标签和对应的整数占用值，数据粒度精细，适合用于实时监控、预测分析或资源调度研究。此外，数据集规模适中，训练集样本量近十万，既保证了统计可靠性，又避免了过大的存储开销，便于快速实验与模型迭代。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载，指定配置名称为'default'，数据文件路径为'data/train-*'。加载后，数据集提供标准的迭代与索引接口，用户可轻松提取时间序列和区域占用数据。典型应用包括训练时序预测模型（如LSTM或Transformer）、分析高峰时段分布或构建可视化仪表盘。建议将时间字段解析为datetime对象，以便进行时间窗口切片和特征工程，从而充分挖掘数据中的时间依赖关系。

背景与挑战

背景概述

随着智慧校园与物联网技术的深度融合，实时空间占用数据的采集与分析成为优化公共资源配置的关键环节。由瑞典皇家理工学院（KTH）主导创建的davnas/real-time-library-occupancy数据集，自2023年起通过部署在图书馆多个核心区域的传感器网络，持续记录包括KTH图书馆、东南画廊、北部画廊等六个关键空间的实时人数变化。该数据集旨在解决动态空间管理中的细粒度监测难题，为图书馆座位调度、能耗优化及人流预警提供高时间分辨率的数据支撑，其开放获取特性显著推动了建筑信息模型与人群行为分析领域的研究进展。

当前挑战

该数据集面临的核心挑战在于多源异构数据的融合与实时性保障。首先，传感器在不同区域（如Ångdomen与Newton自习区）的部署密度差异导致空间覆盖不均衡，需设计自适应插值算法以弥补监测盲区。其次，95164条训练样本虽具规模，但时间序列中的突发性人流波动（如考试周激增）对异常检测模型的鲁棒性提出严苛要求。此外，构建过程中需协调WiFi探针与红外计数器等设备的同步校准，并解决隐私保护约束下匿名化数据与高精度定位之间的技术矛盾。

常用场景

经典使用场景

该数据集记录了KTH图书馆内部多个区域（如主图书馆、各画廊及特定学习空间）的实时人流量时间序列数据，为研究公共空间动态占用模式提供了宝贵的时序观测样本。在经典使用场景中，研究者常以此数据集为基础，构建基于历史占用数据的预测模型，例如利用长短期记忆网络（LSTM）或门控循环单元（GRU）等深度学习架构，对特定时段的空间拥挤程度进行短期预报。这些预测能够辅助图书馆管理者优化资源配置，并为用户提供实时可用座位信息。

解决学术问题

在学术研究领域，该数据集有效解决了公共设施空间占用率动态建模与预测的难题。传统方法多依赖静态容量评估，难以捕捉人群流动的时变特征。通过该高分辨率时间序列数据，学者能够深入分析不同学习区域内占用率的周期性规律与突发性波动，进而构建鲁棒的时空预测框架。这一研究推动了设施管理科学的发展，为理解人类行为模式与空间交互机制提供了实证基础，其意义在于将数据驱动的决策理念引入校园公共服务优化。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于时空图卷积网络（STGCN）的多人流量联合预测方法，以及融合外部因素（如考试周、天气）的混合预测模型。部分工作进一步拓展至多设施协同优化，例如将图书馆占用数据与校园其他公共场所（如图书馆、食堂）数据结合，构建校园级人群流动图谱。这些衍生研究不仅深化了对特定场景的理解，也为智慧校园基础设施的互联互通提供了方法论支撑。