免费获取 | 时间序列常用数据集、可视化代码

往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较

全是干货 | 数据集、学习资料、建模资源分享！

EMD变体分解效果最好算法——CEEMDAN（五）-CSDN博客

拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客

单步预测-风速预测模型代码全家桶-CSDN博客

CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客

CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客

半天入门！锂电池剩余寿命预测（Python）-CSDN博客

超强预测模型：二次分解-组合预测-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客

独家原创 | SCI 1区 高创新预测模型！-CSDN博客

风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客

独家原创 | 超强组合预测模型！-CSDN博客

全网最低价 | 全家桶持续更新！-CSDN博客

独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

VMD + CEEMDAN 二次分解——创新预测模型合集-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客

回归预测模型 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

优化算法更新 | 基于WOA-CNN-BiLSTM的多步预测模型-CSDN博客

CEEMDAN-CNN-BiLSTM多步预测模型-CSDN博客

超强预测模型 | 回归预测合集大更新-CSDN博客

单变量、多特征变量多步预测模型大更新-CSDN博客

速成创新 | 基于KAN、KAN卷积的预测模型-CSDN博客

免费分享6个广泛应用的时间序列数据集和对应的可视化代码：

• 电变压器温度（ETT）

• 交通（Traffic）

• 电力消耗（Electricity）

• 汇率（Exchange Rate）

• 天气（Weather）

• 疾病（Illness）

这些数据集不仅在学术研究中有着广泛的应用，同时也在实际的工业、金融和公共卫生领域发挥着重要作用。通过分析这些数据集，我们可以更好地掌握时间序列分析的基本原理和方法，并应用于实际问题的解决。接下来，让我们逐一了解这六个数据集的具体内容和应用场景。

数据集、可视化代码获取方式，见文末

1 ETT (电力变压器温度)

数据集简介：

电力变压器温度（ETT）是电力长期部署的关键指标。该数据集由我国两个独立县的2年数据组成。为了探索长序列时间序列预测（LSTF）问题的粒度，创建了不同的子集，{ETTh1，ETTh2}用于1小时级别，ETTm1用于15分钟级别。每个数据点由目标值“油温”和6个电力负载特征组成。

● 变量个数：7个，目标变量-温度

● 时间步：17420 个样本

● 时间粒度：小时

2 Traffic (交通)

数据集简介：

描述了道路占用率。它包含 2015 年至 2016 年旧金山高速公路传感器记录的每小时数据。不同列代码不同的道路（道路编号从0-860）。

● 变量个数：862，目标变量-道路占用率

● 时间步：17544 个样本

● 时间粒度：小时

3 Electricity (电力)

数据集简介：

从 2012 年到 2014 年收集了 321 个客户每小时电力消耗（用户编号从0-319-OT）。

● 变量个数：321

● 时间步：26304 个样本

● 时间粒度：小时

4 Exchange-Rate (汇率)

数据集简介：

收集了 1990 年至 2016 年 8 个国家的每日汇率（国家编号从0-6-OT，0：澳大利亚汇率，1：英国汇率，2：加拿大汇率，3：瑞士汇率，4：中国汇率，5：日本汇率，6：新西兰汇率，OT：新加坡汇率）。

● 变量个数：8

● 时间步：7588个样本

● 时间粒度：天

5 Weather (天气)

数据集简介：

包括 21 个天气指标，例如空气温度和湿度等。它的数据在 2020 年的每 10 分钟记录一次。

● 变量个数：21

● 时间步：52696 个样本

● 时间粒度：10分钟

6 ILI (疾病)

数据集简介：

包括 2002 年至 2021 年美国疾病控制和预防中心每周数据。描述了患有流感疾病的患者与患者数量的比率。（WEIGHTED ILI：加权比率，UNWEIGHTED ILI：非加权比率，AGE 0-4：0-4岁患者数量，AGE 5-24：5-24岁患者数量，ILITOTAL：患有流感疾病的患者总数，NUM. OF PROVIDERS：提供人数，OT：患者数量）

● 变量个数：7

● 时间步：966个样本

● 时间粒度：周

获取方式一：

获取方式二：

点击下方卡片获取代码！

回复”时间序列“免费获取数据集和可视化代码