item_id stringclasses 3
values | start stringdate 2026-01-01 00:00:00 2026-01-01 00:00:00 | end stringdate 2026-01-06 23:00:00 2026-01-06 23:00:00 | freq stringclasses 1
value | target listlengths 144 144 |
|---|---|---|---|---|
sensor_1 | 2026-01-01T00:00:00+00:00 | 2026-01-06T23:00:00+00:00 | h | [
20,
20.7810001373291,
21.510000228881836,
22.13599967956543,
22.618000030517578,
22.92300033569336,
23.030000686645508,
22.933000564575195,
22.63800048828125,
22.166000366210938,
21.549999237060547,
20.83099937438965,
20.059999465942383,
19.288999557495117,
18.56999969482422,
17.954000... |
sensor_2 | 2026-01-01T00:00:00+00:00 | 2026-01-06T23:00:00+00:00 | h | [
22,
22.7810001373291,
23.510000228881836,
24.13599967956543,
24.618000030517578,
24.92300033569336,
25.030000686645508,
24.933000564575195,
24.63800048828125,
24.166000366210938,
23.549999237060547,
22.83099937438965,
22.059999465942383,
21.288999557495117,
20.56999969482422,
19.954000... |
sensor_3 | 2026-01-01T00:00:00+00:00 | 2026-01-06T23:00:00+00:00 | h | [
24,
24.7810001373291,
25.510000228881836,
26.13599967956543,
26.618000030517578,
26.92300033569336,
27.030000686645508,
26.933000564575195,
26.63800048828125,
26.166000366210938,
25.549999237060547,
24.83099937438965,
24.059999465942383,
23.288999557495117,
22.56999969482422,
21.954000... |
多类型合成数据练习
全部由脚本生成，包含时序、表格、文本三类数据。每类都有 train、validation、test。 configs 统一读取 data/ 下的 Arrow stream 文件；raw/ 保留 CSV 和 JSONL 原始文件。
| 配置 | train | validation | test | 字段 |
|---|---|---|---|---|
| timeseries（默认） | 3 | 3 | 3 | item_id, start, end, freq, target |
| tabular | 12 | 4 | 4 | sample_id, temperature, humidity, label |
| text | 12 | 4 | 4 | sample_id, text, label |
时序每行是一台传感器的一段数据，三段分别为前 144、后 48、最后 48 小时。 同一传感器出现在各 split，但时间点不重叠；这是预测已知传感器未来值的评估。 表格和文本是独立合成样本，按种子 42 打乱后按 60%/20%/20% 划分，sample_id 不重叠。 样例不适用于真实业务结论；重复模板文本只用于学习文件与划分流程。
from datasets import load_dataset
data = load_dataset("YOUR_USERNAME/multi-data-demo", name="text")
print(data["train"][0])
- Downloads last month
- 50