时间序列异常检测数据集精选合集

机器学习
0 下载
45 浏览
2026-09-13

数据集简介

时间序列异常检测数据集精选合集

本项目是一个精心策划的公开及科研可访问数据集列表,专门用于时间序列异常检测、事件检测、故障检测及相关基准测试任务。该清单由社区贡献者整理,旨在为研究人员和工程师提供高质量的数据资源索引。

On Benchmark Quality(基准质量说明)

入选本清单仅代表数据集具有相关性和可获取性,并不代表其被官方认可为高质量的基准测试集。在引用或使用具体数据集前,用户需自行评估其适用性与数据质量。例如,部分数据集包含经过操作员审核的异常标签,如某遥测通道片段包含2,123个片段,覆盖9个遥测通道,具备明确的异常标注。

Univariate Datasets(单变量数据集)

单变量数据集主要关注单一时间序列中的异常模式识别。此类数据集通常结构相对简单,适用于基础算法验证与初步建模。清单中收录了多个经典单变量数据源,包括但不限于:

  • Yahoo! S5:来自 Yahoo Webscope 项目的合成与真实混合数据,广泛用于异常检测算法评测。
  • N-BaIoT:针对物联网设备网络流量设计的单变量异常检测数据集。
  • Kitsune:基于真实网络攻击场景生成的单变量时序数据。

这些数据集通常以 CSV 或 JSON 格式提供,便于直接加载至 Python 或 R 环境进行分析。

Multivariate Datasets(多变量数据集)

多变量数据集涉及多个相互关联的时间序列变量,能够更真实地反映复杂系统中的动态变化。此类数据常用于工业监控、IT 运维及金融风控等场景。代表性数据集包括:

  • AIOps KPI:由 NetManAIOps 组织提供,涵盖关键性能指标的多维度时序数据。
  • Microsoft 云监控数据:源自 Microsoft 内部云平台的实际运行日志,包含丰富的系统状态指标。
  • CESNET-TimeSeries24:由 CESNET 提供的网络安全相关多变量时序数据。

多变量数据通常需要更复杂的预处理流程,并建议结合领域知识进行特征工程。

Benchmark Collections(基准集合)

基准集合将多个独立数据集整合为统一的评测框架,便于横向比较不同算法的性能表现。此类集合通常包含标准化的评估指标与划分方式,支持复现性研究。清单中提到的基准集合涵盖了从学术研究到工业应用的广泛场景,为用户提供了一站式的评测资源。

除核心异常检测数据外,清单还收录了与之紧密相关的其他类型数据集,如事件检测、故障诊断等任务所需的数据资源。这些数据集虽不直接归类于异常检测,但在实际应用中常作为补充数据源使用。

Data Hubs and Catalogs(数据中心与目录)

为了方便用户查找更多资源,清单特别列出了多个权威的数据中心与目录平台,包括:

  • UCI Machine Learning Repository:经典的机器学习数据集仓库。
  • scikit-learn 内置数据模块:提供部分示例时序数据。
  • ESA (European Space Agency) 相关资源:如 OPS-SAT 卫星遥测数据。

访问与许可

所有数据集均通过 GitHub 页面提供链接指引,用户可根据需要跳转至原始数据源下载。本项目整体采用 CC0-1.0 license 许可协议,允许自由复制、修改、分发及商用,无需额外授权。

Project Banner

注:图片来源于项目 README,展示项目主题与结构概览。

基本信息

记录数量未知
文件大小未知
文件格式未知
数据来源OliverHennhoefer
许可协议CC0-1.0
数据模态时间序列
任务类型异常检测、事件检测、故障检测
数据落地页https://github.com/OliverHennhoefer/awesome-ts-anomaly-detection-datasets
发布日期2026-09-13
时间序列,异常检测,故障检测,事件检测,基准测试,公开数据集

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费