#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 dépôts au total
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.
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.
Chronos : Modèles pré-entraînés pour la prévision de séries chronologiques
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
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 🚀.
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.
Le kit d'apprentissage automatique pour l'analyse de séries temporelles en Python
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
Liste de papiers, code et expériences utilisant l'apprentissage profond pour la prévision de séries temporelles
[ICLR 2024] Implémentation officielle de " 🦙 Time-LLM : Prévision de séries temporelles par reprogrammation de grands modèles de langage"
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
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.
[AAAI-23 Oral] Implémentation officielle du papier "Les Transformers sont-ils efficaces pour la prévision de séries temporelles ?"
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
Implémentation officielle pour "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
[ICLR 2024] Implémentation officielle de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
[Nomination Meilleur Article PVLDB 2024] TFB : Vers des bancs d'essai complets et équitables pour les méthodes de prévision des séries chronologiques
Entraînement unifié de transformeurs universels pour la prévision de séries temporelles
Lag-Llama : Vers des modèles fondamentaux pour la prévision probabiliste de séries temporelles
Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux
Apprentissage automatique pour l'imputation et la prédiction des données de transport.
Une liste impressionnante des derniers articles et de codes sur les séries temporelles des meilleures conférences d'IA.
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
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.)
[ICLR 2025 Spotlight] Implémentation officielle de "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"
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.).
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
tfts: Modèles d'apprentissage profond pour séries temporelles en TensorFlow
MOMENT : Une famille de modèles fondamentaux ouverts pour séries temporelles, ICML'24
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.
[TPAMI 2024] Ressources exceptionnelles de GNN pour l'analyse des séries temporelles (GNN4TS)
Ressources sur la prévision des séries chronologiques et le deep learning.
Une collection organisée d'articles, tutoriels, vidéos et autres ressources précieuses liées à Mamba.
Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.
Ressources pour travailler avec des données de séries chronologiques et séquentielles
Client et Kit d'Outils Python pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch
Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU
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.
Le code officiel pour "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
DÉPRÉCIÉ, maintenant dans sktime - package compagnon pour l'apprentissage profond basé sur TensorFlow
Réseau neuronal graphique spectral et temporel (StemGNN en abrégé) pour la prévision de séries temporelles multivariées
Modern Time Series Forecasting with Python, publié par Packt
Foire aux questions
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
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.
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.