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

最新推荐文章于 2025-04-21 14:15:20 发布
最新推荐文章于 2025-04-21 14:15:20 发布
阅读量1k 收藏 8
点赞数
文章标签： 人工智能
原文链接：https://zhuanlan.zhihu.com/p/576880516
版权
文章介绍了在NeurIPS2022上发布的SCINet，一种结合样本卷积和交互的时间序列模型，研究了不同时间跨度的预测，如短期、长期和多元预测。结果表明SCINet在多项预测任务中表现出色，尤其是在单变量预测中，且使用置换熵证实了模型提高了序列的可预测性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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）
hellozhxy
关注
时间序列分析进阶：基于LSTM模型的趋势跟踪
AI天才研究院
07-19 3272
时序数据处理（Time Series Data Analysis）是机器学习和数据科学领域的一个重要研究方向，它在许多应用场景中都有着广泛的应用。其中一个最常用的方法就是时序预测（time series forecasting），即用历史数据预测未来的发展趋势。而深度学习方法则是一种高效且普遍适用于此类问题的方法。本文将结合 LSTM (Long Short-Term Memory) 模型进行时序预测问题的实践。
时间序列公共数据集（附下载链接）
weixin_56038008的博客
02-12 4490
Electricity电力消耗数据集：Exchage_rate汇率数据集：Weather天气数据集......下载链接：https://pan.baidu.com/s/1r3KhGd0Q9PJIUZdfEYoymg?pwd=i9iy
时间序列常用数据集（electrity，ETT，exchange，ILL，traffic，weather）
热门推荐
qq_43747519的博客
08-12 3万+
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。
时序ETT油温数据
Heyxy的博客
04-01 560
电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。其中第一行（8列）是数据头，包括了 “HUFL”, “HULL”, “MUFL”, “MULL”, “LUFL”, “LULL” 和 “OT”，每一列的详细意义展示在表中。记录日期、高使用负载、高无用负载、中等使用负载、中等无用负载、低使用负载荷、低无用负载、油温。
时间序列数据集（UCR）.rar
02-18
时间序列数据集（UCR）.rar
时间序列数据集（UCR）
03-12
时间序列界的“Imagnet”，发文章必跑数据集。大约有128个数据集，如ECG5000，GunPoint，coffee等数据集 相比于2015版有了大量更新，2018年秋季：该数据资源的早期工作由NSF职业奖0237918资助，并通过NSF IIS-1161997 II和NSF IIS 1510741资助。
时间序列公共数据集下载仓库
gitblog_06502的博客
09-20 1305
时间序列公共数据集下载仓库 时间序列公共数据集附下载链接 项目地址: https://gitcode.com/Resource-Bundle-Collection/83c2b ...
时间序列数据集下载介绍
最新发布
gitblog_06773的博客
04-21 391
时间序列数据集下载介绍 【下载地址】时间序列数据集下载介绍 本项目提供了一系列来自Kaggle平台的时间序列数据集，经过初步探索和可视化分析，数据已按标准流程划分为训练集和验证集，便于后续分析和预测。项目涵盖了多种时间序列预测模型，如Naive方法、移动平均法、指数平滑法、ARIMA等，帮助用户验证不同模型的拟合效果。无...
7天微课程day2——下载序列数据集
hustqb的博客
06-16 1566
声明： 本文是系列课程的第二课 本文是对机器学习网站课程的翻译 尊重原作者，尊重知识分享 下载序列数据集 要使用的Python第三方库：Pandas 通过本文，你可以学到： 如何使用pandas读取一个csv文件。 如何查看加载的数据，如何计算数据的统计量。 如何可视化时间序列 Daily Female Births Dataset 数据集：Daily Female Birt...
《A DECODER-ONLY FOUNDATION MODEL FOR TIME-SERIES FORECASTING》阅读总结
weixin_42209537的博客
06-20 1577
建立一个通用的零样本预测器，接受时间序列的过去C个时间点作为上下文，并预测未来的H个时间点。定义预测的准性可以通过均方误差（MAE）等指标来衡量。
最新-时间序列-顶会顶刊论文汇总【论文/源码链接】
weixin_45016199的博客
05-18 4049
这半年我一直在看时间序列相关的论文，这篇汇总非常有用，全是干货。顶会顶刊，开源代码。祝学习愉快！【搬运自github】【侵删】
时间序列数据集TSdatasets.rar
02-13
内含常用时间序列预测数据集如：ETT（电力变压器温度）、Traffic（交通数据集）、Electricity（电力消耗数据集）、Exchage_rate（汇率数据集）、Weather（天气数据集）、PEMS、Solar等数据集
时间序列问题必用的数据集：UCR数据集
03-25
截止到目前最新整理的的UCR数据集（UCRArchive）。这是以一个完整的压缩包，共有129个数据集。压缩包没有解压码。
时间序列示例的数据集.rar
06-08
数据集
股票预测 LSTM 时间序列rnn 代码程序数据集下载压缩包
05-12
源程序代码 详解 股票预测 LSTM 时间序列rnn 代码程序数据集下载压缩包
UCR时序数据集
05-07
本资源为最新UCR时序数据集，包括128个时序数据。时序数据是指时间序列数据。时间序列数据是同一统一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的，要求具有可比性。时序数据可以是时期数，也可以时点数。时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。最新的主要更新，2018年秋季：该数据资源的早期工作由NSF职业奖0237918资助，并通过NSF IIS-1161997 II和NSF IIS 1510741资助。
比时序预测更具挑战性：港科大提出不规则时间序列预测任务新基准与方案 | ICML 2024...
Paper weekly
08-27 1941
背景尽管多变量时间序列（MTS）预测已受到广泛研究，但大多数工作主要聚焦于规则采样且完整观测的 MTS。相比之下，不规则多变量时间序列（IMTS）预测中存在的挑战，即不规则的采样频率及数据缺失问题，却未得到足够重视。实际上，IMTS 在医疗保健、生物力学、气候科学、天文学以及金融等多个科学领域十分常见。准确预测 IMTS 对于支持从决策制定到前瞻性规划等各类关键活动至关重要。与采样规则的 MTS ...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
时间序列数据集——可用于预测和分类
观则明的博客
11-16 3565
PM2.5 数据集①是 2013 年 3 月 1 日到 2017 年 2 月 28 日北京多站点空气质量数据集，采样频率为 1 小时，实例数 420768，特征属性数量为 18。属性包括了年份、月份、日期、小时、PM2.5、PM10、SO2、NO2、CO、O3、露点温度、降水量、温度、压力、组合风向、累计风速等。UCI数据集是由加州大学欧文分校维护的用于机器学习的数据库。官方网站收集了622个数据集，可用于时间序列预测、数据分类回归等多种任务，包含交通流量、电力、生物、空气质量、互联网等等各个方面的数据。
Micn: Multiscale local and global context modeling for long-term series forecasting.
03-25
### MICN 模型概述 MICN（Multi-scale Local and Global Context Modeling for Long-term Series Forecasting）是一种专门设计用于长时间序列预测的深度学习框架[^1]。该模型通过结合多尺度特征提取以及局部和全局上下文建模的能力，显著提升了对于复杂时间序列数据的预测性能。 #### 多尺度特征提取 为了捕捉不同时间粒度下的模式变化，MICN 利用了卷积神经网络 (CNN) 的层次结构来实现多尺度特征提取。具体而言，它采用多个并行的一维卷积层，每层对应不同的感受野大小，从而能够捕获短时波动与长期趋势之间的关系。 ```python import torch.nn as nn class MultiScaleConv(nn.Module): def __init__(self, input_channels=1, output_channels=[8, 16], kernel_sizes=[3, 7]): super(MultiScaleConv, self).__init__() self.convs = nn.ModuleList([ nn.Conv1d(input_channels, out_ch, k_size, padding=k_size//2) for out_ch, k_size in zip(output_channels, kernel_sizes) ]) def forward(self, x): outputs = [conv(x) for conv in self.convs] return torch.cat(outputs, dim=1) ``` 上述代码展示了如何构建一个多尺度一维卷积模块，其中 `kernel_sizes` 参数控制着各个分支的感受野范围。 #### 局部与全局上下文建模 除了关注单一时序片段内的特性外，MICN 还引入了一种机制用来融合更广泛的背景信息——即所谓的 **global context**。这种策略允许当前时刻的状态不仅依赖于最近的历史记录，还可以受到远距离节点的影响。为此，作者采用了自注意力机制(Self-Attention Mechanism)，其核心思想在于计算任意两个位置间的重要性权重，并据此调整输入表示形式。 另一方面，在处理局部区域方面，则继续沿用传统的循环单元(如GRU或LSTM)，它们擅长描述连续帧间的动态演变过程。 ```python import torch from torch import Tensor from typing import Optional def scaled_dot_product_attention(query: Tensor, key: Tensor, value: Tensor, mask: Optional[Tensor]=None) -> Tuple[Tensor]: d_k = query.size(-1) scores = torch.matmul(query, key.transpose(-2,-1)) / math.sqrt(d_k) if mask is not None: scores += mask * -1e9 attention_weights = F.softmax(scores,dim=-1) weighted_sum = torch.matmul(attention_weights,value) return weighted_sum, attention_weights ``` 此函数实现了标准缩放点乘法注意机制的核心部分，它是构成整个架构中不可或缺的一个组件。 ### 总结 综上所述，MICN 提供了一个强大的解决方案，适用于那些具有高度非线性和跨时段关联性的场景分析需求。通过对多种时空维度上的交互作用进行全面刻画，最终达到了提高预报精度的目的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值