#time-series-forecasting Repositories
Entdecke 54 aktive Open-Source-GitHub-Repositories, die mit #time-series-forecasting getaggt sind und insgesamt 179,543 Sterne gesammelt haben (durchschnittlich 3,324 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist shiyu-coder/Kronos mit 48,042 Sternen.
Insgesamt 54 Repositories
TimesFM (Time Series Foundation Model) ist ein vortrainiertes Foundation-Modell für Zeitreihen, das von Google Research für die Zeitreihenprognose entwickelt wurde.
Dieses Repository enthält eine kuratierte Sammlung von über 300 Fallstudien von mehr als 80 Unternehmen, die praktische Anwendungen und Einblicke in das Design von Systemen für maschinelles Lernen (ML) beschreiben. Die Inhalte sind so organisiert, dass Sie relevante Fallstudien leicht nach Branche oder spezifischen ML-Anwendungsfällen finden können.
In diesem Notebook werde ich einen vollständigen Prozess zum Vorhersagen von Aktienkursbewegungen erstellen. Folgen Sie mit, und wir werden einige ziemlich gute Ergebnisse erzielen. Zu diesem Zweck werden wir ein Generative Adversarial Network (GAN) mit LSTM, einer Art Recurrent Neural Network, als Generator und ein Convolutional Neural Network, CNN, als Diskriminator verwenden. Wir verwenden LSTM aus dem offensichtlichen Grund, dass wir Zeitreihendaten vorhersagen wollen. Warum verwenden wir GAN und speziell CNN als Diskriminator? Das ist eine gute q
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.
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
AssetOpsBench - Industrie 4.0: Ein einheitlicher Benchmark und Rahmenwerk für die Entwicklung, Orchestrierung und Evaluierung domänenspezifischer KI-Agenten für die Anlagenbetriebs- und Instandhaltung in der Industrie 4.0, mit über 460 Szenarien, 5 spezialisierten Agenten (IoT, FMSR, TSFM, Arbeitsaufträge, etc.) und Multi-Agenten-Orchestrierungs-Blueprints (MetaAgent, AgentHive) über MCP.
[AAAI-23 mündlicher Vortrag] Offizielle Implementierung des Papiers "Sind Transformer effektiv für Zeitreihenvorhersagen?"
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Offizielle Implementierung für "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
[ICLR 2024] Offizielle Implementierung von "TimeMixer: Zerlegbare multiskalige Mischung für Zeitreihenprognosen"
[PVLDB 2024 Best Paper Nominierung] TFB: Auf dem Weg zu umfassenden und fairen Benchmarks für Zeitreihen-Prognosemethoden
Vereinheitlichtes Training von Universal-Zeitreihenprognose-Transformatoren
Lag-Llama: Auf dem Weg zu Fundamentmodellen für die probabilistische Zeitreihenprognose
Python-Bibliothek für Zeitreihenprognosen mit scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen
Eine großartige Liste der neuesten Zeitreihenarbeiten und Codes von Top-KI-Veranstaltungsorten.
Bibliothek zur Merkmalsextraktion aus Zeitreihen (TSFEL): über 60 statistische, zeitliche, spektrale und fraktale Merkmale für die Klassifizierung und Regression von Zeitreihen sowie die Signalverarbeitung in Python
Zeitserien-Arbeitszusammenfassung in CS-Top-Konferenzen (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
[ICLR 2025 Spotlight] Offizielle Implementierung von "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"
Eine Umfrage und eine Papierliste aktueller Diffusionsmodelle für Zeitreihen und raumzeitliche Daten mit großartigen Ressourcen (Artikel, Anwendung, Überprüfung, Umfrage usw.).
Über die Code-Veröffentlichung für „TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis“ (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT: Eine Familie von Open Time-series Foundation Models, ICML'24
Das beste Repository, das zeigt, warum Transformer für Zeitreihenprognosen möglicherweise nicht die Antwort sind, und die besten SOTA-Nicht-Transformer-Modelle vorstellt.
[TPAMI 2024] Fantastische Ressourcen von GNNs für Zeitreihenanalyse (GNN4TS)
Ressourcen zu Zeitreihenvorhersagen und Deep Learning.
Eine kuratierte Sammlung von Artikeln, Tutorials, Videos und anderen wertvollen Ressourcen im Zusammenhang mit Mamba.
Probabilistische hierarchische Vorhersage 👑 mit statistischen und ökonometrischen Methoden.
Python-Client und Toolkit für DataFrames, Big Data, Machine Learning und ETL in Elasticsearch
TimeCopilot: das agentische Prognose-Framework. Auf Basis von LLMs und Zeitreihen-Foundation-Modellen ermöglicht es Ihnen, über eine einzige API mit mehreren Foundation-Modellen Prognosen zu erstellen, Kreuzvalidierungen durchzuführen und Anomalien zu erkennen. Von Finanzen und Energie bis hin zu Webanalysen verwandelt TimeCopilot natürlichsprachliche Abfragen in produktionsreife Prognosen.
Der offizielle Code für "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Veraltet, jetzt in sktime - Begleitpaket für Deep Learning basierend auf TensorFlow
Spectral Temporal Graph Neural Network (kurz StemGNN) für multivariate Zeitreihenprognosen
Modern Time Series Forecasting with Python, veröffentlicht von Packt
Häufig gestellte Fragen
Welches ist das beliebteste #time-series-forecasting-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#time-series-forecasting-Projekt auf GitHub ist shiyu-coder/Kronos mit 48,042 Sternen. Kronos: Ein Basismodell für die Sprache der Finanzmärkte
Welche Programmiersprachen werden in #time-series-forecasting-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #time-series-forecasting-Projekten auf GitHub sind Python, Jupyter Notebook, JavaScript, Shell die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #time-series-forecasting-Repositories berechnet?
Wir verfolgen 54 aktive Open-Source-Repositories, die mit #time-series-forecasting getaggt sind (500+ Sterne), mit insgesamt 179,543 Sternen und durchschnittlich 3,324 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.