传感器时间序列预测数据集,基于传感器数据的transformer时间序列预测-多变量输入-单+多变量输出

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

MATLAB实现RNN(循环神经网络)时间序列预测数据集

MATLAB实现SVM(支持向量机)时间序列预测数据集

MATLAB实现ARIMA时间序列预测数据集

MATLAB实现Bayes（贝叶斯）优化LSTM(长短期记忆神经网络)时间序列预测数据集

MATLAB实现CNN(卷积神经网络)时间序列预测数据集

训练数据集包含大约145k时间序列。从2015年7月1日至2016年12月31日，每个时间序列都代表着一篇不同的Wikipedia文章的大量每日视图。培训阶段的排行榜基于2017年1月1日至3月的流量2017年1月1日。 第二阶段将使用直到2017年9月1日的培训数据。竞赛的最终排名将基于数据集中每篇文章在2017年9月13日至2017年11月13日之间的每日观看次数预测。您将在9月12日之前提交这些日期的预测。 对于每个时间序列，都会为您提供文章名称以及该时间序列所代表的流量类型（所有，移动，台式机，蜘蛛网）。您可以使用此元数据和任何其他公共可用数据进行预测。不幸的是，该数据集的数据源无法区分零流量值和缺失值。缺少值可能意味着流量为零或当天没有可用数据。 为了减小提交文件的大小，已为每个页面和日期组合指定了较短的ID。页面名称和提交ID之间的映射在密钥文件中给出。 business-size_1x.png Web Traffic Time Series Forecasting_datasets.txt