训练集和测试集的描述如下： 训练集有train_1.csv（66859条数据）, train_2.csv（43755条数据）, train_3.csv（29792条数据）, train_4.csv（42687条数据）共4个文件，测试集有test_1.csv（11808条数据）,test_2.csv（14688条数据）,test_3.csv（6182条数据）,test_4.csv（13894条数据）共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。训练集字段包括时间、辐照度、风速、风向、温度、压强、湿度、实发辐照度、实际功率；测试集数据字段，除无字段实发幅照度和实际功率外，增加了id列为样本id，每条记录的样本id是唯一值，其它字段同训练集数据。 补充说明： 1. 实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2. 实际辐照度的负值视为噪声数据。 3. 实测数据中有明显异常的数据可进行剔除处理。

需求预测是每个不断增长的在线业务的重要组成部分。如果没有适当的需求预测流程，几乎不可能在任何给定时间拥有适量的库存。食品配送服务必须处理大量易腐的原材料，这使得这样的公司能够准确预测每日和每周的需求变得更加重要。 这是提出这个数据集的理由 :victory_hand:！ Food demand.csv

实战Kaggle比赛：房价预测-数据集

电力系统短期电力负荷预测数据集（时间间隔1h，4.8w多条数据）2015-2020 特征包括：天气变量，如气温、相对湿度、降水量和风速。

2022风力发电预测数据集（100多w条数据信息（间隔10min），9多w条数据信息（间隔15min），含数据集来源及详细说明） 空间动态风力发电预测的数据集 特征包括：风力涡轮机的空间分布，以及时间、天气和涡轮机内部状态等动态背景因素。

风力发电发电量预测数据集（训练集28201条，测试集12087条） 根据风机 id（tracking_id）、日期时间、风速(m/s)、大气温度(° c)、轴温(° c)、叶片角度(° c)、齿轮箱温度(° c)、发动机温度(° c)、电机转矩(N-m)、发电机温度(° c)、大气压力(Pascal)、面积温度(° c)、风车车体温度(° c)、风向(° c)、电阻(ohm)、转子转矩(N-m)、状态、云层高度、叶片长度(m)、风车高度(m)来预测风力发电发电量

共分为训练集(图片), 训练集(标注), 测试集三个部分. 其中训练集共有2000张图片. 测试集有1000张图片

Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 论文的数据集，反映了广泛的具有挑战性的多水平预测问题中普遍观察到的特征。每个数据集的大致描述如下： Electricity。UCI电力负荷图数据集包含370个客户的每小时总用电量，我们使用过去一周的数据(即168小时)来预测第二天(即24小时)的消耗量。 Traffic。UCI PEM-SF交通数据集描述了[41]中440条旧金山湾区高速公路的占用率（yt为[0，1]）。根据电力数据集，它也按小时级别汇总，具有相同的后退窗口和预测范围。 Retail。来自Kaggle competition[14]的Favorita杂货销售数据集，它结合了不同产品和商店的元数据，以及其他每天采样的外生时变输入。我们使用90天的历史信息预测未来30天的产品销售记录 Volatility.。OMI实现库[19]包含了31个股票指数的日实现波动值，这些波动值是根据当日数据计算出来的，同时还包含了日收益。在我们的实验中，我们使用过去一年的信息(即252个工作日)来考虑未来一周(即5个工作日)的预测