thuml/Time-Series-Library

Time-Series-Library (TSLib) 是一个深度时间序列分析的开源库，包含长期和短期预测、插值、异常检测和分类等五种主流任务的时间序列数据集。数据集涵盖了各种领域，如电力负载预测、交通流量预测、天气预测、汇率预测、流感样疾病预测等，并提供了相应的训练和测试数据。Time-Series-Library (TSLib) is an open-source library for deep time series analysis, including datasets for long-term and short-term forecasting, imputation, anomaly detection, and classification tasks. The datasets cover various domains such as electricity load forecasting, traffic volume forecasting, weather forecasting, exchange rate forecasting, influenza-like illness forecasting, and more, providing corresponding training and test data.

搜集汇总

数据集介绍

构建方式

时间序列分析在工业界与学术界均占据举足轻重的地位，而标准化的基准数据集是推动该领域发展的基石。thuml/Time-Series-Library（TSLib）正是在此背景下应运而生，它由清华大学数据挖掘与机器学习实验室精心构建，旨在为深度时间序列研究提供统一、规范的评估平台。该数据集集合了来自多个经典公开来源的数据，覆盖了长期与短期预测、插补、异常检测及分类五大核心任务。具体而言，预测任务包含ETT（四个子集）、Electricity、Traffic、Weather、Exchange Rate、ILI以及M4（六个子集）；异常检测则整合了SMD、MSL、SMAP、SWaT与PSM等工业场景数据；分类任务囊括了来自UEA档案库的十个多变量时间序列子集。每个子集均以CSV或TS文件格式存储，并明确划分了训练集与测试集，确保了实验的可复现性。

特点

该数据集最显著的特点在于其全面性与层次化的任务覆盖。它并非单一来源的数据堆砌，而是经过精心筛选与标准化的综合基准，囊括了从电力负载、交通流量到气象、汇率、疾病监测乃至工业系统监控的多元领域，时间粒度从分钟级到年际变化不等。尤为突出的是，TSLib为不同任务预设了统一的评估指标，如预测任务采用MSE与MAE，异常检测聚焦于精确率、召回率与F1分数，分类任务则使用准确率，这极大便利了模型间的横向比较。此外，数据集中序列长度因任务而异，从短期的6个时间步到长达1751步的序列均有覆盖，为验证模型在不同尺度下的泛化能力提供了丰富素材。其开放许可（CC BY 4.0）与详尽的文档也进一步降低了研究者的使用门槛。

使用方法

得益于HuggingFace Datasets库的支持，研究者可以极为便捷地加载并使用TSLib数据集。通过一行简单的Python代码——例如`load_dataset("thuml/Time-Series-Library", "ETTh1")`，即可直接获取指定子集的训练与测试数据，无需手动下载与解析原始文件。对于需要更细粒度控制的场景，用户亦可利用`hf_hub_download`函数精确下载特定文件，如`ETT-small/ETTh1.csv`。数据集在HuggingFace上以多配置（config）形式组织，每个配置对应一个子集，并附有清晰的描述（如时间粒度与任务类型），便于按需选择。此外，TSLib还提供了对应的开源代码库（GitHub仓库），其中封装了数据预处理、模型训练与评估的完整流程，用户可无缝衔接数据加载与模型开发，极大提升了研究效率。

背景与挑战

背景概述

时间序列分析作为数据科学领域的核心分支，在金融市场波动预测、电力负荷调度、工业设备故障诊断及流行病传播监测等关键应用中扮演着不可替代的角色。由清华大学数据科学与智能实验室（THUML）主导研发的Time-Series-Library（TSLib）数据集，于2024年正式发布，其核心研究团队包括吴海旭、王语萱等学者，旨在为深度学习驱动的时序建模提供一个标准化、多任务、可复现的基准平台。该数据集整合了涵盖长期与短期预测、缺失值插补、异常检测及分类等五大主流任务的二十余个经典子集，如ETT电力变压器温度、M4竞赛数据及NASA航天器遥测序列，其系统性设计显著降低了不同模型间比较的噪声，已成为时序领域研究社区广泛引用的评估基石，有力推动了Transformer、TimesNet等前沿架构在时序任务中的性能验证与迭代优化。

当前挑战

TSLib所面临的挑战首先源于时序分析任务固有的领域复杂性：不同子集的数据呈现出迥异的周期性、趋势性与噪声模式，例如电力负荷数据具有强日周期与季节效应，而航天器遥测序列则高度非平稳且事件稀疏，这使得单一模型难以在所有任务上保持鲁棒性。构建过程中，研究者需应对多源异构数据的标准化难题，包括统一采样频率（如ETT的15分钟与小时级）、处理缺失值以及确保分类与检测任务中标签的一致性；此外，M4竞赛数据包含六种不同时间粒度的子集，其评估指标（SMAPE、MASE等）的兼容性设计亦构成挑战。跨任务评价体系的统一性不足，导致模型在长期预测与异常检测间的性能迁移往往不尽如人意，亟需更精细的基准设计以揭示模型泛化的本质瓶颈。

常用场景

经典使用场景

在时序分析领域，Time-Series-Library（TSLib）数据集因其涵盖多元任务与异构领域而成为基准评测的核心资源。其经典使用场景聚焦于长短期预测任务的模型性能评估，涵盖电力负荷（ETT、Electricity）、交通流量（Traffic）、气象参数（Weather）、汇率波动（Exchange Rate）及流感患病率（ILI）等真实世界序列。研究者通过统一划分96至720步长的预测窗口，以MSE与MAE为指标，系统对比Transformer、MLP及CNN等架构在时序依赖性捕捉上的优劣。此外，该库亦支持时序插补、异常检测与分类任务，为多模态时序模型的泛化能力验证提供了标准化实验框架。

解决学术问题

TSLib致力于消解时序深度学习研究中的三大核心困厄：其一，缺乏统一评测体系导致模型间比较失范，该库通过标准化数据分割、评估指标与任务定义，构建了可复现的基准平台；其二，时序任务碎片化严重，不同研究常聚焦于单一场景而忽视模型通用性，TSLib整合预测、分类、检测与插补四大范式，赋能跨任务能力迁移的探索；其三，现有基准常囿于小规模或低噪声数据，难以反映真实部署中的复杂动态，该库汇集ETT、M4等大规模多频次数据集，显著提升了对模型鲁棒性与泛化性的检验力度，推动了时序基础模型理论的实证演进。

衍生相关工作

TSLib的发布催生了多项具有影响力的时序建模工作。其中，TimesNet通过将一维时序重塑为二维张量，揭示了时序多周期性的内在结构，在长短期预测与分类任务上均取得突破性进展。基于该库的标准化评测，研究者进一步提出了DLinear与PatchTST等模型，前者以简洁的线性层挑战Transformer在时序任务中的统治地位，后者则通过分块嵌入策略提升了长序列预测的精度与效率。此外，TSLib还被用作时序基础模型如Lag-Llama与TimesFM的对比基准，推动了预训练范式在时序分析中的系统化评估。这些衍生工作共同印证了TSLib作为时序深度学习研究基石的重要地位。