Monash TSF Archive 工业 / 能源子集

Monash Time Series Forecasting Archive 由莫纳什大学 Rakshitha Godahewa、Christoph Bergmeir 等人构建，发表于 NeurIPS 2021 Datasets & Benchmarks Track（arXiv: 2105.06643），托管于 https://forecastingdata.org。该归档库整合了30个（58个变体版本）来自能源、销售、天气、交通、经济、人口等多领域的真实时序数据集，是时序预测领域规模最大、覆盖最广的标准化公开基准库。自发布以来，几乎所有重要的时序预测基础模型（Chronos、TimesFM、Lag-Llama、Moirai、Time-MoE 等）均将其作为零样本泛化能力评测的核心基准，持续驱动全局预测模型与时序基础模型研究。2024年4月基准测评结果更新添加了 TimesFM，2025年4月新增 XYZmixer 等方法结果。

工业能源预测最权威公开子集汇总。

• Monash TSF Archive
  arXiv, 2021

• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks
  arXiv preprint, 2026 — Various
  提出下一代预测基准，深入分析 Monash Archive 的局限性并提出扩展方向
• Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts
  ICLR 2025 Spotlight, 2025 — Xiaoming Shi et al.
  稀疏 MoE 时序基础模型，参数扩展至 24 亿，在 Monash 及长时预测基准上取得最优结果
• Chronos: Learning the Language of Time Series
  Transactions on Machine Learning Research (TMLR) 2024, 2024 — Abdul Fatir Ansari, Lorenzo Stella, Caner Turkmen, et al. (Amazon)
  Amazon 时序基础模型，基于 T5 语言模型框架，在 Monash 42 个数据集上系统评测零样本预测性能
• A decoder-only foundation model for time-series forecasting (TimesFM)
  ICML 2024, 2024 — Abhimanyu Das, Weihao Kong, Rajat Sen, Yichen Zhou (Google)
  Google 200M 参数解码器时序基础模型，Monash 数据集上零样本排名第一
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting
  NeurIPS 2023 Workshop / arXiv 2024, 2024 — Kashif Rasul, Arjun Ashok, et al.
  基于 LLaMA 架构的概率预测基础模型，Monash Archive 为零样本泛化评测核心基准
• Unified Training of Universal Time Series Forecasting Transformers (Moirai)
  ICML 2024 Oral, 2024 — Woo et al. (Salesforce)
  Salesforce Moirai 基于 27B 观测点 LOTSA 语料训练，在 Monash 基准上零样本超越全监督方法
• MOMENT: A Family of Open Time-series Foundation Models
  ICML 2024, 2024 — Mononito Goswami et al. (CMU)
  开源时序基础模型家族，使用 Monash 数据集子集作为预测任务评测基准
• Benchmarking Time Series Foundation Models for Short-Term Household Electricity Load Forecasting
  arXiv preprint, 2024 — Various
  在电力负荷预测场景对比多个基础模型（Chronos、TimesFM、Lag-Llama 等），Monash 数据子集为基准

• HuggingFace