Awesome-time-series-dataset

这是一个综合性的时间序列数据集合集，对多个时间序列数据集进行了分类整理，主要涵盖时间序列预测、时间序列分类、异常检测等任务领域。该合集收录了来自交通、能源、销售、金融等多个领域的数据集，例如Traffic、Electricity、Wiki、Solar等，并为每个数据集提供了下载链接、所属领域及相关论文引用信息。This is a comprehensive time series dataset collection that systematically categorizes and organizes multiple time series datasets. It primarily covers task domains including time series forecasting, time series classification, and anomaly detection. The collection includes datasets from a wide range of sectors such as transportation, energy, sales, finance, with representative examples including Traffic, Electricity, Wiki, and Solar. For each dataset, download links, its affiliated domain, and relevant paper citation information are provided.

原始信息汇总

时间序列数据集概览

该页面提供了一个全面的时间序列数据集调查，数据集根据任务类型进行分类整理。

时间序列预测数据集

数据集	领域	下载链接
Traffic	交通	https://github.com/mbohlkeschneider/gluon-ts/blob/mv_release/datasets/traffic_nips.tar.gz
Electricity	能源	https://www.kaggle.com/datasets/uciml/electric-power-consumption-data-set
Wiki	其他	https://github.com/mbohlkeschneider/gluon-ts/blob/mv_release/datasets/wiki-rolling_nips.tar.gz
Solar	能源	https://www.nrel.gov/grid/solar-power-data.html
Taxi	交通	https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page
PEMS	交通	来源1: https://archive.ics.uci.edu/ml/datasets/PEMS-SF ; 来源2: http://pems.dot.ca.gov/
BikeNYC	交通	https://www.kaggle.com/datasets/akkithetechie/new-york-city-bike-share-dataset
M5	销售	官网: https://mofc.unic.ac.cy/m5-competition/ ; 下载: https://drive.google.com/drive/folders/1D6EWdVSaOtrP1LEFh1REjI3vej6iUS_4
Rossmann	销售	https://www.kaggle.com/datasets/pratyushakar/rossmann-store-sales
M4	销售	https://github.com/M4Competition/M4-methods/raw/master/Dataset
exchange	金融	https://github.com/mbohlkeschneider/gluon-ts/blob/mv_release/datasets/exchange_rate_nips.tar.gz
Labor	其他	https://www.abs.gov.au/statistics/labour/employment-and-unemployment/labour-force-australia/latest-release
Tourism	其他	https://robjhyndman.com/publications/hierarchical-tourism/
wind	能源	https://www.kaggle.com/sohier/30-years-of-european-wind-generation

时间序列分类数据集

数据集	领域	下载链接
UCR/UEA	混合	https://www.cs.ucr.edu/~eamonn/time_series_data_2018/
PM2.5	环境	文献引用: Xuan Liang等, 2015, Proceedings of the Royal Society A
Seizure	生物电	https://archive.physionet.org/pn3/challenge/2012/
UCI activity (HAR)	生物电	https://archive.ics.uci.edu/ml/datasets/human+activity+recognition+using+smartphones
Sleep Stage Classification (SleepEDF)	生物	https://www.physionet.org/content/sleep-edfx/1.0.0/
MIT-BIH Atrial Fibrillation (Waveform)	生物	https://physionet.org/content/afdb/1.0.0/

异常检测数据集

数据集	领域	下载链接
SWaT	环境	https://drive.google.com/drive/folders/1ABZKdclka3e2NXBSxS9z2YF59p7g2Y5I
WADI	环境	https://drive.google.com/drive/folders/11XWMQruwxFvlVEiqNgZ1mxVw-c-5xSmR
Power-demand	能源	无直接链接
Yahoo	其他	https://webscope.sandbox.yahoo.com/
SMD	其他	文献引用: Ya Su等, 2019, KDD
SMAP	环境	https://nsidc.org/data/smap/smap-data.html
MIMIC-III	医疗	https://physionet.org/content/mimiciii/1.4/

其他任务数据集

数据集	下载链接	任务类型
KDD-CUP 2018	https://www.kdd.org/kdd2018/kdd-cup	插补
Air Quality	https://box.nju.edu.cn/f/2239259e06dd4f4cbf64/?dl=1	插补、回归
PhysioNet	无直接链接	插补、预测

版本信息

• TS-Data v1.0 于2022-04-24发布，支持时间序列论文中最常用的数据集。
• 计划功能：增加更多描述和配置、添加用户指南和数据加载器。

搜集汇总

数据集介绍

构建方式

该数据集汇编了时间序列领域内广泛使用的公开数据集，依据任务类型划分为时间序列预测、分类、异常检测及其他四大类别。每个数据条目均附有官方下载链接、所属领域及引用文献，确保来源可追溯。构建过程系统性地梳理了过往研究中的常用数据，并持续更新以纳入新资源。

特点

数据集覆盖交通、能源、金融、医疗、环境等多个领域，兼容单变量与多变量时间序列。其核心优势在于按任务分类的结构化组织形式，便于研究者快速定位所需数据。此外，每个数据集均关联了经典论文，凸显其在学术研究中的广泛认可与应用价值。

使用方法

用户可直接通过提供的下载链接获取原始数据，并根据任务类型（如预测或分类）选择对应子集。数据加载方式因数据集而异，部分来自Kaggle或UCI仓库，部分需访问官方机构网站。建议结合GluonTS等工具进行预处理，或参考关联论文中的标准流程进行实验配置。

背景与挑战

背景概述

时间序列数据广泛存在于交通、能源、金融、医疗等众多领域，其分析与建模对于揭示动态系统中的潜在规律、支撑预测与决策具有重要价值。Awesome-time-series-dataset项目于2022年4月发布v1.0版本，由开源社区维护，旨在系统梳理时间序列研究中广泛使用的公开数据集。该项目按任务类型（如预测、分类、异常检测等）对数据集进行归类，覆盖了Traffic、Electricity、UCR/UEA、SWaT等经典资源，并关联了众多前沿研究论文。这一系统化整理为时间序列领域的研究者提供了便捷的基准测试与对比平台，显著推动了该领域的标准化与可复现性发展。

当前挑战

时间序列研究面临的核心挑战包括：1）多领域数据异质性，不同领域（如交通、医疗）的数据采样频率、缺失模式与动态特性差异显著，通用模型难以兼顾；2）长程依赖与多尺度时空关联的建模，尤其在异常检测与预测任务中，局部波动与全局趋势需协同捕捉；3）数据标注困难，分类与异常检测任务常缺乏高质量标签，半监督与无监督方法成为研究重点。构建过程中，数据集来源分散、格式不一，且部分资源需从多个官方站点手动整合，增加了标准化与复用的难度。此外，随着新任务（如缺失值填补）的涌现，现有数据集在覆盖范围与配置文档方面仍待完善。

常用场景

经典使用场景

在时间序列分析领域，该数据集集合被广泛用于评估和比较不同预测模型的性能。例如，Traffic、Electricity、Solar等数据集常被用于多变量时间序列预测任务，研究者通过在这些基准数据上训练和测试模型，如AdaRNN、Autoregressive Denoising Diffusion Models等，来验证其预测精度与鲁棒性。UCR/UEA数据集则是时间序列分类任务的标准测试平台，常用于验证MINIROCKET、TapNet等分类算法的有效性。

衍生相关工作

基于该数据集集合，衍生出大量经典工作。在预测领域，出现了Adjusting for Autocorrelated Errors、Deep Explicit Duration Switching Models等创新模型；在分类领域，MINIROCKET和Time2Graph等方法显著提升了分类效率与可解释性；在异常检测方面，Graph Neural Network-Based Anomaly Detection和USAD等工作为多变量时序异常检测提供了新范式。这些工作均以该数据集集合为基准，推动了时间序列分析技术的持续演进。

数据集最近研究

最新研究方向

在时序数据分析领域，随着深度学习技术的迅猛发展，当前研究热点已从传统的统计建模转向基于图神经网络、扩散模型和对比学习等前沿方法的多元时序预测与异常检测。Awesome-time-series-dataset收录的交通流量、电力消耗、金融汇率等经典数据集，正被广泛应用于验证诸如自适应稀疏Transformer、图卷积网络及概率扩散模型等创新架构。这些研究不仅推动了智能电网、智慧交通等实际场景的预测精度提升，还催生了面向缺失值填补和层级时序预测的端到端框架。尤其值得关注的是，结合专家知识的对比学习范式在生物电信号分类和医疗异常监测中展现出显著优势，为时序分析在健康监测和工业控制等关键领域的落地提供了坚实的数据基础与评估基准。