时间序列Long-term Forecasting标准数据集和benchmark

数据集

Electricity

321位顾客从2012年到2014年的每小时用电量

下载地址：UCI-ElectricityLoadDiagrams20112014 Data Set （压缩包大小为249M，解压后为678M）

ETT

2016年7月到2018年7月电力变压器来自2个站点）的数据，包括负载、油温。ETTm1/ETTm2每隔15分钟记录一次，ETTm1/ETTm2每隔一小时记录一次。

下载地址：zhouhaoyi / ETDataset （文件大小24M）

ILI

美国疾病控制和预防中心从2002年到2021年每周报告的一周内流感样疾病患者与总患者的比率。

Traffic

记录了2015年1月至2016年12月，旧金山湾区高速公路上的 862 个传感器测量的每小时道路占用率。

Weather

2020年马普生物地球化学研究所气象站每10分钟采集21个气象指标的气象时间序列。

下载地址：mpi_roof_2020a.zip （2020年1-6月）；mpi_roof_2020b.zip （2020年7-12月）

Credit to Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting [Neurips 2022]

Benchmark Result

SCINet

SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction 这篇文章发表在Neurips2022，代码已开源 。 这里初步地汇集一下文章中的结果：

短期时间序列预测，tau代表不同的预测间隔，短期预测考虑3,6,12,24步的向前预测。

一些观察：

• 使用正常卷积的TCN效果比使用因果卷积的TCN好，可能是因为纳入了更多信息，所以预测效果更好一点
• 除了加粗本文提出的模型效果最棒外，作者还使用蓝色下划线highlight了第二好的模型，以强调传统LSTM在短期时间序列的预测上比Transformer-based模型更好。

长期时间序列预测，此时考虑96,192,336,720步的前向预测。

文章在长期时间序列预测对比的benchmark上没有用LSTM/RNN等经典模型，只对比了Transformer-based的模型，其实作为读者我也很好奇LSTM/RNN在长期时间序列预测上的表现。

多元时间序列预测，可以看到SCINet和Autoformer仍然领先性能榜。与LSTM相比，降低了接近一半的MSE/MAE。

单变量时间序列预测，仍然是SCINet和Autoformer效果拔群。

值得一提的是文章使用了置换熵（Permutation Entropy, PE），来衡量原始序列和经过表达提取后的序列的可预测性。PE越低的序列越容易预测。可以看到，经过文章提出的模型进行变换后，序列的可预测性确实有了提升，PE有显著下降。

其他汇总资源

CUHK CURE Lab的一系列开源资源

1. Time Series Papers Collections (from ML Top Conference)
2. XXFormer在时序上的一个汇总库 （可以作为入门仓库跑一跑）