# 数据集

时间序列分类、短期/长期预测、插补、异常检测、少样本和零样本预测。
其他研究则更专注于时间序列预测的特定方面。例如，TEMPO专注于时间序列预测，但结合了额外的时间序列分解和软提示等精细设计。还有研究利用LLMs进行时间序列预测，采用两阶段的微调过程：首先使用有监督的微调引导LLM朝向时间序列数据，随后转向针对时间序列预测的下游微调。另有研究通过新的嵌入方法激活了LLM在时间序列上的能力，该方法通过实例、特征和文本原型对齐的方式进行数据的token化和编码，然后创建提示传递给LLMs来执行任务。

## 1.1. Forecasting

long-term
ETT (4 subsets) Electricity, Traffic, Weather, Exchange, Illness
short-term
M4 (6 subsets)

## 1.2. Imputation

ETT (4 subsets), Electricity, Weather

## 3. Classification

UEA (10 subsets)

## 4. 时序异常检测

SMD (Server Machine Dataset) 服务器机组数据集
数据集收集的是28个机器连续5周的数据，相邻两组数据间间隔一分钟。
总共收集28个机器的数据，每个机器收集38个维度（变量）的信息。
训练集与测试集的数据量是1：1的，训练集无label，测试集有label。
时间信息是隐匿的

MSL, SMAP
SWaT (Secure Water Treatment) 安全水处理
PSM (Pooled Server Metrics)
WADI (Water Distribution) 配水
EPIC (Electric Power and Intelligent Control) 电力与智能控制
CISS (Critical Infrastructure Security Showdown) 关键基础设施安全对抗
Blaq_0 上交Blaq_0黑客马拉松
BATADAL (BATtle of Attack Detection Algorithms) 攻击检测算法对抗
IoT 物联网网络流量数据集
UCRArchive_2018
KPI异常检测
微服务应用系统故障发现和根因定位
UTSD
ERA5
Time-300B

## 多模态

TETS