#time-series Repositories
Entdecke 143 aktive Open-Source-GitHub-Repositories, die mit #time-series getaggt sind und insgesamt 584,542 Sterne gesammelt haben (durchschnittlich 4,087 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist redis/redis mit 77,583 Sternen.
Insgesamt 143 Repositories
Für Entwickler, die Echtzeit-Daten-gestützte Anwendungen erstellen, ist Redis der bevorzugte, schnellste und funktionsreichste Cache, Datenstrukturserver und Dokument- und Vektorabfrage-Engine.
High-Performance, skalierbare Zeitreihendatenbank, die für Industrial IoT (IIoT)-Szenarien konzipiert ist
Eine Zeitreihendatenbank für hochleistungsfähige Echtzeit-Analysen, verpackt als Postgres-Erweiterung
Agent zum Sammeln, Verarbeiten, Aggregieren und Schreiben von Metriken, Logs und anderen beliebigen Daten.
Open-Source-Alerting zum Selbsthosting für Metriken, Protokolle und Datenbanken. Mit integriertem KI-Agenten und MCP-Server.
Eine Bibliothek für fortgeschrittene Deep-Time-Series-Modelle für die allgemeine Zeitreihenanalyse.
Eine Python-Bibliothek zur Anomalieerkennung in tabellarischen Daten, Zeitreihen, Graphen, Texten, Bildern und Audiodaten. Enthält über 60 Detektoren, eine benchmark-gestützte ADEngine-Orchestrierung und einen agentenbasierten Workflow für KI-Agenten.
Die Research-Engine, die dir einen unfairen Vorteil verschafft. Teste Tausende von Trading-Ideen, bevor andere mit einer einzigen fertig sind.
Eine Python-Bibliothek für benutzerfreundliche Prognosen und Anomalieerkennung in Zeitreihen.
Das GitHub-Repository für die Arbeit „Informer“, die von AAAI 2021 akzeptiert wurde.
Zeitreihen Timeseries Deep Learning Machine Learning Python Pytorch fastai | State-of-the-Art Deep Learning-Bibliothek für Zeitreihen und Sequenzen in Pytorch / fastai
CrateDB ist eine verteilte und skalierbare SQL-Datenbank zur Speicherung und Analyse massiver Datenmengen in Echtzeit-Nähe, sogar mit komplexen Abfragen. Sie ist PostgreSQL-kompatibel und basiert auf Lucene.
Sammlung nützlicher Data-Science-Themen zusammen mit Artikeln, Videos und Code
TimeGPT-2.1: Produktionsreifes, vortrainiertes Foundation-Modell für Zeitreihen zur Prognose und Anomalieerkennung. Ein generativer, vortrainierter Transformer für Zeitreihen, der mit über 100 Milliarden Datenpunkten trainiert wurde. Mit nur wenigen Codezeilen kann es präzise Vorhersagen in verschiedenen Bereichen wie Einzelhandel, Stromversorgung, Finanzen und IoT treffen 🚀.
Dieses Repository enthält eine Leseliste von Arbeiten zu Zeitreihenvorhersage/-prognose (TSF) und räumlich-zeitlicher Vorhersage/-Prognose (STF). Diese Arbeiten sind hauptsächlich nach Modelltyp kategorisiert.
Liste von Tools & Datasets für die Anomalieerkennung in Zeitreihendaten.
Eine professionell kuratierte Liste großartiger Ressourcen (Paper, Code, Daten usw.) zu Transformatoren in Zeitreihen.
Liste von Papieren, Code und Experimenten, die Deep Learning für Zeitreihenprognosen verwenden
[ICLR 2024] Offizielle Implementierung von „ 🦙 Time-LLM: Zeitreihenvorhersage durch Neukodierung großer Sprachmodelle“
Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Anomalieerkennung in Zeitreihen mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellen Ihres ersten Neural Network, Zeitreihenprognose für tägliche Coronavirus-Fälle, Sentiment Analysis mit BER
GridDB ist eine Open-Source-Datenbank der nächsten Generation, die Time-Series-IoT und Big Data schnell und einfach macht.
Über die Code-Veröffentlichung für „Autoformer: Decomposition Transformers mit Auto-Korrelation für die Langzeitreihenprognose“ (NeurIPS 2021), https://arxiv.org/abs/2106.13008
[AAAI-23 mündlicher Vortrag] Offizielle Implementierung des Papiers "Sind Transformer effektiv für Zeitreihenvorhersagen?"
Open-Source-Framework zur Verarbeitung, Überwachung und Alarmierung von Zeitreihendaten
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Ein Python-Toolkit/Bibliothek für realitätszentriertes maschinelles/tiefes Lernen & Data Mining bei teilweise beobachteten Zeitreihen, mit über 50 SOTA-Neuronalen Netzwerken für wissenschaftliche Analysenaufgaben (Imputation, Klassifikation, Clustering, Prognose, Anomalieerkennung, Reinigung) an unvollständigen industriellen unregelmäßig gesampelten multivariaten TS mit NaN fehlenden Werten
Ein Python-Paket für bayesianische Prognosen mit objektorientiertem Design und probabilistischen Modellen im Hintergrund.
Crane ist eine FinOps-Plattform für Cloud-Ressourcenanalyse und -ökonomie in Kubernetes-Clustern. Das Ziel ist es nicht nur, Benutzern zu helfen, Cloud-Kosten einfacher zu verwalten, sondern auch die Qualität von Anwendungen sicherzustellen.
Häufig gestellte Fragen
Welches ist das beliebteste #time-series-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#time-series-Projekt auf GitHub ist redis/redis mit 77,583 Sternen. Für Entwickler, die Echtzeit-Daten-gestützte Anwendungen erstellen, ist Redis der bevorzugte, schnellste und funktionsreichste Cache, Datenstrukturserver und Dokument- und Vektorabfrage-Engine.
Welche Programmiersprachen werden in #time-series-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #time-series-Projekten auf GitHub sind Python, Jupyter Notebook, Go, C die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #time-series-Repositories berechnet?
Wir verfolgen 143 aktive Open-Source-Repositories, die mit #time-series getaggt sind (500+ Sterne), mit insgesamt 584,542 Sternen und durchschnittlich 4,087 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.