Git Stars Git Stars

#time-series-forecasting Dépôts

Découvrez 54 dépôts GitHub open source actifs associés à #time-series-forecasting, cumulant 179,543 étoiles au total (soit une moyenne de 3,324 étoiles par projet). Le projet en tête de ce thème est shiyu-coder/Kronos, avec 48,042 étoiles.

54
Total des Dépôts
179,543
Nombre total d'étoiles
3,324
Moyenne d'Étoiles/Dépôt
1
shiyu-coder/Kronos

Kronos : Un modèle fondamental pour le langage des marchés financiers

shiyu-coder
⭐ 48,042 Python 👤 shiyu-coder User 🕐 Mis à jour 2026-04-13 📅 Créé 2025-07-01
2
google-research/timesfm

TimesFM (Time Series Foundation Model) est un modèle fondation pré-entraîné pour les séries temporelles développé par Google Research pour la prévision des séries temporelles.

google-research
⭐ 35,653 Python 👤 google-research Organization 🕐 Mis à jour 2026-11-13 📅 Créé 2024-04-29
3
Engineer1999/A-Curated-List-of-ML-System-Design-Case-Studies

Ce dépôt contient une collection organisée de plus de 300 études de cas provenant de plus de 80 entreprises, détaillant les applications pratiques et les aperçus de la conception de systèmes d'apprentissage automatique (ML). Le contenu est organisé pour vous aider à trouver facilement des études de cas pertinentes en fonction du secteur ou de cas d'utilisation spécifiques du ML.

Engineer1999
⭐ 10,905 👤 Engineer1999 User 🕐 Mis à jour 2025-08-05 📅 Créé 2024-05-18
4
amazon-science/chronos-forecasting

Chronos : Modèles pré-entraînés pour la prévision de séries chronologiques

amazon-science
⭐ 6,335 Python 👤 amazon-science Organization 🕐 Mis à jour 2026-10-05 📅 Créé 2024-02-23
5
borisbanushev/stockpredictionai

Dans ce notebook, je vais créer un processus complet pour prédire les mouvements des prix des actions. Suivez-moi et nous obtiendrons de bons résultats. Pour cela, nous utiliserons un Réseau Antagoniste Génératif (GAN) avec LSTM, un type de Réseau de Neurones Récurrents, comme générateur, et un Réseau de Neurones Convolutifs, CNN, comme discriminateur. Nous utilisons LSTM pour la raison évidente que nous essayons de prédire des données de séries temporelles. Pourquoi utilisons-nous GAN et plus précisément CNN comme discriminateur ? C'est une bonne q

borisbanushev
⭐ 5,594 JavaScript 👤 borisbanushev User 🕐 Mis à jour 2025-08-19 📅 Créé 2019-01-09
6
awslabs/gluonts

Modélisation probabiliste de séries temporelles en Python

awslabs
⭐ 5,263 Python 👤 awslabs Organization 🕐 Mis à jour 2026-10-13 📅 Créé 2019-05-15
7
Nixtla/nixtla

TimeGPT-2.1 : modèle fondamental préentraîné de séries temporelles, prêt pour la production, destiné aux prévisions et à la détection d’anomalies. Un transformeur génératif préentraîné pour les séries temporelles, entraîné sur plus de 100 milliards de points de données. Il est capable d’effectuer des prévisions précises dans divers domaines, tels que le commerce de détail, l’électricité, la finance et l’IoT, en seulement quelques lignes de code 🚀.

Nixtla
⭐ 4,050 Jupyter Notebook 👤 Nixtla Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2021-09-23
8
ddz16/TSFpaper

Ce dépôt contient une liste de lecture d'articles sur la prévision/prédiction de séries temporelles (TSF) et la prévision/prédiction spatio-temporelle (STF). Ces articles sont principalement classés par type de modèle.

ddz16
⭐ 3,202 👤 ddz16 User 🕐 Mis à jour 2026-08-14 📅 Créé 2022-06-29
9
tslearn-team/tslearn

Le kit d'apprentissage automatique pour l'analyse de séries temporelles en Python

tslearn-team
⭐ 3,193 Python 👤 tslearn-team Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2017-05-04
10
qingsongedu/time-series-transformers-review

Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.

qingsongedu
⭐ 2,935 👤 qingsongedu User 🕐 Mis à jour 2024-08-08 📅 Créé 2022-03-01
11
Alro10/deep-learning-time-series

Liste de papiers, code et expériences utilisant l'apprentissage profond pour la prévision de séries temporelles

Alro10
⭐ 2,757 Jupyter Notebook 👤 Alro10 User 🕐 Mis à jour 2024-03-16 📅 Créé 2019-08-22
12
KimMeen/Time-LLM

[ICLR 2024] Implémentation officielle de " 🦙 Time-LLM : Prévision de séries temporelles par reprogrammation de grands modèles de langage"

KimMeen
⭐ 2,704 Python 👤 KimMeen User 🕐 Mis à jour 2025-10-15 📅 Créé 2024-01-20
14
curiousily/Getting-Things-Done-with-Pytorch

Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER

curiousily
⭐ 2,478 Jupyter Notebook 👤 curiousily User 🕐 Mis à jour 2024-06-30 📅 Créé 2020-01-31
15
IBM/AssetOpsBench

AssetOpsBench - Industrie 4.0 : Un benchmark et un cadre unifiés pour construire, orchestrer et évaluer des agents IA spécifiques à un domaine pour les opérations et la maintenance des actifs de l'Industrie 4.0, avec plus de 460 scénarios, 5 agents spécialisés (IoT, FMSR, TSFM, ordres de travail, etc.) et des plans d'orchestration multi-agents (MetaAgent, AgentHive) via MCP.

IBM
⭐ 2,461 Python 👤 IBM Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2025-05-01
16
cure-lab/LTSF-Linear

[AAAI-23 Oral] Implémentation officielle du papier "Les Transformers sont-ils efficaces pour la prévision de séries temporelles ?"

cure-lab
⭐ 2,400 Python 👤 cure-lab Organization 🕐 Mis à jour 2024-01-27 📅 Créé 2022-05-26
17
AIStream-Peelout/flow-forecast

Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).

AIStream-Peelout
⭐ 2,308 Python 👤 AIStream-Peelout Organization 🕐 Mis à jour 2026-10-12 📅 Créé 2019-08-15
18
thuml/iTransformer

Implémentation officielle pour "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)

thuml
⭐ 2,175 Python 👤 thuml Organization 🕐 Mis à jour 2025-07-17 📅 Créé 2023-10-19
19
kwuking/TimeMixer

[ICLR 2024] Implémentation officielle de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"

kwuking
⭐ 1,989 Python 👤 kwuking User 🕐 Mis à jour 2025-10-05 📅 Créé 2024-03-05
20
linkedin/greykite

Une bibliothèque de prévision flexible, intuitive et rapide

linkedin
⭐ 1,855 Python 👤 linkedin Organization 🕐 Mis à jour 2025-02-20 📅 Créé 2021-04-27
21
decisionintelligence/TFB

[Nomination Meilleur Article PVLDB 2024] TFB : Vers des bancs d'essai complets et équitables pour les méthodes de prévision des séries chronologiques

decisionintelligence
⭐ 1,766 Shell 👤 decisionintelligence Organization 🕐 Mis à jour 2026-10-08 📅 Créé 2024-03-22
22
SalesforceAIResearch/uni2ts

Entraînement unifié de transformeurs universels pour la prévision de séries temporelles

SalesforceAIResearch
⭐ 1,631 Jupyter Notebook 👤 SalesforceAIResearch Organization 🕐 Mis à jour 2026-06-02 📅 Créé 2024-02-07
23
time-series-foundation-models/lag-llama

Lag-Llama : Vers des modèles fondamentaux pour la prévision probabiliste de séries temporelles

time-series-foundation-models
⭐ 1,587 Python 👤 time-series-foundation-models Organization 🕐 Mis à jour 2025-06-06 📅 Créé 2024-02-07
24
skforecast/skforecast

Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux

skforecast
⭐ 1,551 Python 👤 skforecast Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2021-02-10
25
xinychen/transdim

Apprentissage automatique pour l'imputation et la prédiction des données de transport.

xinychen
⭐ 1,291 Jupyter Notebook 👤 xinychen User 🕐 Mis à jour 2026-02-20 📅 Créé 2018-09-28
26
TSCenter/awesome-time-series-papers

Une liste impressionnante des derniers articles et de codes sur les séries temporelles des meilleures conférences d'IA.

TSCenter
⭐ 1,168 👤 TSCenter Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2024-07-29
27
fraunhoferportugal/tsfel

Bibliothèque d’extraction de caractéristiques de séries temporelles (TSFEL) : plus de 60 caractéristiques statistiques, temporelles, spectrales et fractales pour la classification et la régression de séries temporelles, ainsi que le traitement du signal en Python

fraunhoferportugal
⭐ 1,116 Python 👤 fraunhoferportugal Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2019-01-09
28
cuge1995/awesome-time-series

liste de papiers, de code et d'autres ressources

cuge1995
⭐ 1,062 👤 cuge1995 User 🕐 Mis à jour 2025-08-13 📅 Créé 2020-03-03
29
lixus7/Time-Series-Works-Conferences

Résumé des travaux sur les séries temporelles dans les conférences informatiques de premier plan (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)

lixus7
⭐ 1,044 👤 lixus7 User 🕐 Mis à jour 2026-11-18 📅 Créé 2022-03-24
30
Time-MoE/Time-MoE

[ICLR 2025 Spotlight] Implémentation officielle de "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"

Time-MoE
⭐ 1,013 Python 👤 Time-MoE Organization 🕐 Mis à jour 2026-03-21 📅 Créé 2024-09-22
31
yyysjz1997/Awesome-TimeSeries-SpatioTemporal-Diffusion-Model

Une enquête et une liste d'articles sur les modèles de diffusion actuels pour les données de séries temporelles et spatio-temporelles avec d'excellentes ressources (articles, applications, critiques, enquêtes, etc.).

yyysjz1997
⭐ 1,013 👤 yyysjz1997 User 🕐 Mis à jour 2026-02-05 📅 Créé 2023-10-09
32
thuml/TimesNet

À propos de la publication du code pour "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq

thuml
⭐ 1,010 👤 thuml Organization 🕐 Mis à jour 2024-04-02 📅 Créé 2023-02-15
33
ibm-granite/granite-tsfm

Foundation Models for Time Series

ibm-granite
⭐ 923 Jupyter Notebook 👤 ibm-granite Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2023-02-27
34
LongxingTan/Time-series-prediction

tfts: Modèles d'apprentissage profond pour séries temporelles en TensorFlow

LongxingTan
⭐ 892 Python 👤 LongxingTan User 🕐 Mis à jour 2026-11-01 📅 Créé 2018-05-03
35
moment-timeseries-foundation-model/moment

MOMENT : Une famille de modèles fondamentaux ouverts pour séries temporelles, ICML'24

moment-timeseries-foundation-model
⭐ 878 TypeScript 👤 moment-timeseries-foundation-model Organization 🕐 Mis à jour 2026-02-10 📅 Créé 2024-05-10
36
valeman/Transformers_And_LLM_Are_What_You_Dont_Need

Le meilleur dépôt montrant pourquoi les transformeurs pourraient ne pas être la réponse pour la prévision de séries chronologiques et présentant les meilleurs modèles SOTA non transformeurs.

valeman
⭐ 869 👤 valeman User 🕐 Mis à jour 2026-02-12 📅 Créé 2023-06-20
37
KimMeen/Awesome-GNN4TS

[TPAMI 2024] Ressources exceptionnelles de GNN pour l'analyse des séries temporelles (GNN4TS)

KimMeen
⭐ 837 👤 KimMeen User 🕐 Mis à jour 2024-08-09 📅 Créé 2023-06-19
39
DaoSword/Time-Series-Forecasting-and-Deep-Learning

Ressources sur la prévision des séries chronologiques et le deep learning.

DaoSword
⭐ 813 Python 👤 DaoSword User 🕐 Mis à jour 2026-10-19 📅 Créé 2022-07-25
40
XiudingCai/Awesome-Mamba-Collection

Une collection organisée d'articles, tutoriels, vidéos et autres ressources précieuses liées à Mamba.

XiudingCai
⭐ 773 👤 XiudingCai User 🕐 Mis à jour 2026-08-05 📅 Créé 2024-01-29
41
Nixtla/hierarchicalforecast

Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.

Nixtla
⭐ 770 Python 👤 Nixtla Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2022-06-21
42
lmmentel/awesome-time-series

Ressources pour travailler avec des données de séries chronologiques et séquentielles

lmmentel
⭐ 697 👤 lmmentel User 🕐 Mis à jour 2025-07-26 📅 Créé 2021-10-26
43
elastic/eland

Client et Kit d'Outils Python pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch

elastic
⭐ 693 Python 👤 elastic Organization 🕐 Mis à jour 2026-06-16 📅 Créé 2019-06-11
45
pyaf/load_forecasting

Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU

pyaf
⭐ 649 Jupyter Notebook 👤 pyaf User 🕐 Mis à jour 2026-03-25 📅 Créé 2018-01-19
46
TimeCopilot/timecopilot

TimeCopilot : le framework de prévision agentique. Basé sur des LLM et des modèles de fondation pour séries temporelles, il permet de réaliser des prévisions, des validations croisées et de détecter des anomalies à l’aide de plusieurs modèles de fondation via une API unique. De la finance à l’énergie, en passant par l’analyse web, TimeCopilot transforme les requêtes en langage naturel en prévisions prêtes pour la production.

TimeCopilot
⭐ 643 Python 👤 TimeCopilot Organization 🕐 Mis à jour 2026-11-18 📅 Créé 2025-06-18
47
DAMO-DI-ML/NeurIPS2023-One-Fits-All

Le code officiel pour "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"

DAMO-DI-ML
⭐ 630 Python 👤 DAMO-DI-ML Organization 🕐 Mis à jour 2024-01-08 📅 Créé 2023-09-22
48
sktime/sktime-dl

DÉPRÉCIÉ, maintenant dans sktime - package compagnon pour l'apprentissage profond basé sur TensorFlow

sktime
⭐ 600 Python 👤 sktime Organization 🕐 Mis à jour 2024-08-02 📅 Créé 2019-07-24
49
microsoft/StemGNN

Réseau neuronal graphique spectral et temporel (StemGNN en abrégé) pour la prévision de séries temporelles multivariées

microsoft
⭐ 589 Python 👤 microsoft Organization 🕐 Mis à jour 2024-05-31 📅 Créé 2020-06-04
50
PacktPublishing/Modern-Time-Series-Forecasting-with-Python

Modern Time Series Forecasting with Python, publié par Packt

PacktPublishing
⭐ 564 Jupyter Notebook 👤 PacktPublishing Organization 🕐 Mis à jour 2026-04-22 📅 Créé 2021-07-09

Foire aux questions

1

Quel est le dépôt #time-series-forecasting le plus populaire sur GitHub ?

Le projet #time-series-forecasting open source le mieux classé sur GitHub est shiyu-coder/Kronos, avec 48,042 étoiles. Kronos : Un modèle fondamental pour le langage des marchés financiers

2

Quels langages de programmation sont les plus utilisés dans les dépôts #time-series-forecasting ?

Parmi les projets #time-series-forecasting les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, JavaScript, Shell.

3

Comment le classement des dépôts #time-series-forecasting est-il calculé ?

Nous suivons 54 dépôts open source actifs associés à #time-series-forecasting (500+ étoiles), totalisant 179,543 étoiles, avec une moyenne de 3,324 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.