本研究提出了“Multilabelfy”框架，通过人机协作提升数据集的验证和质量，强调多标签占比的重要性。研究发现ImageNetV2中约47.88%的图像具有多个标签，需进行更严格的评估。同时，探讨了交互式学习、主动学习框架及人类反馈在模型优化中的应用，展示了在多个数据集上降低标注成本和提高准确性的潜力。

该研究介绍了城市空间时间数据的管理和预测，包括存储格式、数据集验证和预测模型技术进展。该工作有望提高城市居民的生活水平。