概述

这些数据集大多以CSV格式存储，每一行代表一个时间戳，每一列代表一个变量（特征）。核心任务通常是多变量时间序列预测，即利用过去多个变量（如温度、湿度、压力）的历史数据，来预测未来一个或多个目标变量（如油温、电力负荷）的值。

---

1.ETT数据集（Electricity Transformer Temperature）

简介：ETT数据集是中国某电力变压器上的关键数据记录，主要用于油温预测，这是电力系统健康监测的重要指标。

由两个小时级数据集（ETTh）和两个 15 分钟级数据集（ETTm）组成。它们中的每一个都包含 2016 年 7 月至 2018 年 7 月的七种石油和电力变压器的负载特征。

      

• 数据特点：

1. 多变量相关性：前6个负载特征与目标油温（OT）存在复杂的非线性关系，是测试模型能否捕捉变量间依赖关系的良好数据。

2. 明显的时间模式：数据包含日周期性、周周期性（工作日/周末模式）以及年周期性（季节变化）。

3. 不同采样频率：提供了小时级（H）和分钟级（M）两种数据，可用于研究不同时间粒度对预测效果的影响。

4. 现实工业数据：包含噪声和不确定性，非常贴近实际应用场景。

典型任务：给定过去若干小时的 [HUFL, HULL, ..., LULL, OT] 数据，预测未来若干小时的 OT（油温）值。

2.exchange_rate

简介：收集了1990年至2016年8个不同国家/地区（澳大利亚、英国、加拿大、瑞士、中国、日本、新西兰、新加坡）相对于美元的每日汇率。

典型任务：多变量多步预测。给定过去N天的8国汇率，预测未来M天的8国汇率。

3. PEMS (Performance Measurement System)

简介：来自加州交通局绩效测量系统（PeMS），收集了旧金山湾区高速公路网络上大量传感器的实时交通数据。

典型任务：时空图预测。给定历史T时间步的图信号（每个传感器的流量），预测未来T’时间步的图信号。这是图神经网络（GNN）和时序模型（如TCN, Transformer）结合的重点应用领域。

4. electricity

简介：记录了2012年至2014年321名客户的每小时电力消耗（以kWh为单位）。

5. solar-energy (National Solar Radiation Database)

简介：美国国家可再生能源实验室（NREL）提供的太阳能发电数据，包含了2006年137个光伏电站的每小时太阳能发电量输出。

6. traffic (California Department of Transportation)
简介：与PEMS类似，也是来自加州交通局的数据，记录了2015年至2016年旧金山湾區862个车道传感器每小时的道路占用率（occupancy rate，取值范围[0,1]）。

7. weather

简介：记录了2020年德国21个气象站每10分钟一次的各种天气测量数据。

典型任务：多变量多步预测。给定过去N个时间步的所有天气变量，预测未来M个时间步的所有或部分天气变量（如未来12小时的温度和湿度）。