UCR时间序列数据集是专为时间序列分类任务设计的一个广泛使用的数据集合，它由美国加利福尼亚大学河滨分校（University of California, Riverside）的Chen, Keogh和Ratanamahatana等人创建并维护。这个数据集包含了各种不同领域的多种类型的时间序列数据，用于测试和比较时间序列分类算法的性能。时间序列分析是统计学和机器学习领域中的一个重要分支，主要关注如何在有序数据点中识别模式和趋势。 时间序列数据是按照特定时间顺序记录的数值，例如股票价格、温度读数、人体运动传感器数据等。在UCR数据集中，每个时间序列都代表一个特定的类别或事件，而分类任务就是根据这些时间序列来预测它们所属的类别。这种任务在许多实际应用中都很常见，如医学诊断、金融市场分析、工业设备故障预测等。 UCR数据集的显著特点是其多样性和复杂性。数据集包含了超过100个不同的数据集，每个数据集都具有不同的特征，如不同长度的时间序列、不同数量的类别的不平衡等。此外，数据集还经过精心设计，以确保在不同规模和难度上对分类算法进行测试。这使得UCR数据集成为评估新时间序列分类方法效果的理想选择。 深度学习在处理时间序列数据时发挥了重要作用，尤其是通过使用循环神经网络（RNNs）和长短时记忆网络（LSTMs）。这些模型能够捕捉到时间序列中的长期依赖关系，对于识别复杂的时间模式特别有效。在UCR数据集上，可以训练和评估这些深度学习模型，以优化它们在时间序列分类任务上的性能。 为了开始使用UCR数据集，你需要首先解压缩提供的"UCR数据.zip"文件，然后查阅解释文档以了解数据集的结构和各部分含义。通常，每个数据集会包含两个文件：一个用于训练，一个用于测试。数据通常以一维数组的形式表示，其中每个元素对应时间序列中的一个点。在开发和比较算法时，你可能需要将数据预处理成适合深度学习模型的格式，比如将时间序列转换为固定长度的序列或者通过填充和截断来处理不同长度的序列。 在实验过程中，你可以尝试不同的深度学习架构，调整超参数，如学习率、隐藏层大小等，以找到最佳模型。同时，由于UCR数据集中的某些数据集类别分布不均，你还需要注意评估指标的选择，比如使用宏平均（macro-average）或微平均（micro-average）F1分数，以更公平地评估算法在各个类别的表现。 UCR时间序列数据集为研究和开发时间序列分类方法提供了丰富的资源。通过深度学习技术，我们可以构建出强大的模型来处理各种类型的时间序列数据，从而在众多实际应用场景中实现高效、准确的预测。

2018 UCR Time Series Classification Archive(UCI时间序列数据集，共包含128个数），可用于时间序列分类任务，解压密码为 someone

该数据集结构为： -E:/桌面/代码/数据集/UCRArchive_2018_csv -ACSF1 -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -Adiac -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -AllGestureWiimoteX -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -...... 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

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。

时间序列数据集（UCR）.rar

ucr官方下载最新的是2018的 ：https://www.cs.ucr.edu/~eamonn/time_series_data_2018/UCRArchive_2018.zip 由于下载太慢了，所以上传一份2015的备份。

该数据集为UCR_TS_Archive_2015，主要是为方便时间序列数据研究者使用。

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。

这是笔者2019.9下载的UCR数据集，其中有较多的时间序列数据，方便大家下载学习，特此分享给大家。(在介绍中,没有说不许传播,如有侵权,会立即删除.)

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。