#time-series-forecasting Repositorios
Descubre 54 repositorios activos de código abierto de GitHub etiquetados con #time-series-forecasting, que acumulan 179,543 estrellas en total (una media de 3,324 estrellas por proyecto). El líder de este tema es shiyu-coder/Kronos, con 48,042 estrellas.
54 repositorios en total
TimesFM (Time Series Foundation Model) es un modelo fundacional preentrenado para series temporales desarrollado por Google Research para la predicción de series temporales.
Este repositorio contiene una colección curada de más de 300 estudios de caso de más de 80 empresas, que detallan aplicaciones prácticas e información sobre el diseño de sistemas de aprendizaje automático (ML). El contenido está organizado para ayudarle a encontrar fácilmente estudios de caso relevantes según la industria o casos de uso específicos de ML.
Chronos: Modelos preentrenados para la previsión de series temporales
En este notebook crearé un proceso completo para predecir los movimientos de precios de las acciones. Síguelo y obtendremos algunos resultados bastante buenos. Para ello usaremos una Red Generativa Antagónica (GAN) con LSTM, un tipo de Red Neuronal Recurrente, como generador, y una Red Neuronal Convolucional, CNN, como discriminador. Usamos LSTM por la razón obvia de que estamos tratando de predecir datos de series temporales. ¿Por qué usamos GAN y específicamente CNN como discriminador? Esa es una buena q
TimeGPT-2.1: modelo fundacional de series temporales preentrenado y listo para producción para la predicción y la detección de anomalías. Un transformador generativo preentrenado para series temporales, entrenado con más de 100.000 millones de puntos de datos. Es capaz de realizar predicciones precisas en diversos ámbitos, como el comercio minorista, la electricidad, las finanzas y el IoT, con solo unas pocas líneas de código 🚀.
Este repositorio contiene una lista de lectura de artículos sobre Pronóstico/Predicción de Series Temporales (TSF) y Pronóstico/Predicción Espacio-Temporal (STF). Estos artículos se clasifican principalmente según el tipo de modelo.
El kit de herramientas de aprendizaje automático para el análisis de series temporales en Python
Una lista seleccionada profesionalmente de excelentes recursos (documentos, código, datos, etc.) sobre transformadores en series temporales.
Lista de artículos, código y experimentos que utilizan aprendizaje profundo para pronósticos de series temporales
[ICLR 2024] Implementación oficial de " 🦙 Time-LLM: Predicción de series temporales mediante la reprogramación de grandes modelos de lenguaje"
Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning & Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, Detección de anomalías en series temporales con LSTM Autoencoders, Detección de objetos con YOLO v5, Construye tu primera Neural Network, Pronóstico de series temporales para casos diarios de Coronavirus, Análisis de sentimientos con BER
AssetOpsBench - Industria 4.0: Un marco y punto de referencia unificado para construir, orquestar y evaluar agentes de IA específicos de dominio para las operaciones y el mantenimiento de activos en la Industria 4.0, con más de 460 escenarios, 5 agentes especialistas (IoT, FMSR, TSFM, órdenes de trabajo, etc.) y planos de orquestación multi-agente (MetaAgent, AgentHive) sobre MCP.
[AAAI-23 Oral] Implementación oficial del artículo "¿Son efectivos los Transformers para la predicción de series temporales?"
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Implementación oficial de "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
[ICLR 2024] Implementación oficial de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
[Nominación al Mejor Artículo PVLDB 2024] TFB: Hacia evaluaciones comparativas completas y justas de los métodos de pronóstico de series temporales
Entrenamiento unificado de transformadores universales para la predicción de series temporales
Lag-Llama: Hacia modelos fundacionales para la predicción probabilística de series temporales
Biblioteca de Python para pronóstico de series temporales usando modelos compatibles con scikit-learn, métodos estadísticos y modelos fundamentales
Una lista increíble de los últimos artículos y códigos de series temporales de los principales lugares de IA.
Biblioteca de extracción de características para series temporales (TSFEL): más de 60 características estadísticas, temporales, espectrales y fractales para clasificación y regresión de series temporales, y procesamiento de señales en Python
Resumen de trabajos de series temporales en conferencias de CS de primer nivel (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
[ICLR 2025 Spotlight] Implementación oficial de "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"
Una encuesta y una lista de artículos sobre modelos de difusión actuales para datos de series temporales y espacio-temporales con recursos impresionantes (artículos, aplicaciones, revisiones, encuestas, etc.).
Sobre la versión del código para "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
tfts: Modelos de Deep Learning para series temporales en TensorFlow
MOMENT: Una familia de modelos fundamentales abiertos para series temporales, ICML'24
El mejor repositorio que muestra por qué los transformadores podrían no ser la respuesta para la predicción de series temporales y que presenta los mejores modelos SOTA no transformadores.
[TPAMI 2024] Fantásticas Recursos de GNN para el Análisis de Series Temporales (GNN4TS)
Recursos sobre pronóstico de series temporales y aprendizaje profundo.
Una colección seleccionada de artículos, tutoriales, videos y otros recursos valiosos relacionados con Mamba.
Pronóstico jerárquico probabilístico 👑 con métodos estadísticos y econométricos.
Cliente y kit de herramientas de Python para DataFrames, Big Data, Machine Learning y ETL en Elasticsearch
Pronóstico de la carga de energía eléctrica de Delhi utilizando modelos ARIMA, RNN, LSTM y GRU
TimeCopilot: el marco de predicción agentivo. Basado en LLM y modelos fundacionales de series temporales, permite realizar predicciones, validación cruzada y detección de anomalías con múltiples modelos fundacionales a través de una única API. Desde las finanzas y la energía hasta la analítica web, TimeCopilot convierte consultas en lenguaje natural en predicciones listas para producción.
El código oficial para "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Obsoleto, ahora en sktime - paquete compañero para aprendizaje profundo basado en TensorFlow
Red Neuronal Gráfica Temporal Espectral (StemGNN en resumen) para la Predicción de Series Temporales Multivariadas
Modern Time Series Forecasting with Python, publicado por Packt
Preguntas frecuentes
¿Cuál es el repositorio de #time-series-forecasting más popular en GitHub?
El proyecto de código abierto de #time-series-forecasting mejor posicionado en GitHub es shiyu-coder/Kronos, con 48,042 estrellas. Kronos: Un modelo fundacional para el lenguaje de los mercados financieros
¿Qué lenguajes de programación se utilizan más en los repositorios de #time-series-forecasting?
Entre los proyectos de #time-series-forecasting mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, Shell.
¿Cómo se calcula la clasificación de los repositorios de #time-series-forecasting?
Seguimos 54 repositorios activos de código abierto etiquetados con #time-series-forecasting (500+ estrellas), que suman un total de 179,543 estrellas, con una media de 3,324 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.