#time-series Dépôts
143 dépôts au total
[TPAMI 2024] Ressources exceptionnelles de GNN pour l'analyse des séries temporelles (GNN4TS)
Ressources sur la prévision des séries chronologiques et le deep learning.
Luminaire est un package Python qui fournit des solutions pilotées par ML pour la surveillance des données de séries chronologiques.
Une bibliothèque pour résoudre des équations différentielles en utilisant des réseaux de neurones basés sur PyTorch, utilisée par plusieurs groupes de recherche dans le monde entier, y compris à Harvard IACS.
Apprentissage automatique pour les données multivariées à travers la géométrie riemannienne des matrices définies positives en Python
Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.
Construisez automatiquement des modèles ARIMA, SARIMAX, VAR, FB Prophet et XGBoost sur des ensembles de données de séries chronologiques avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Bibliothèque C++ header-only de haute qualité pour le rééchantillonneur audio professionnel / la conversion de fréquence d'échantillonnage. Très rapide, à la fois pour le rééchantillonnage audio et l'interpolation de séries temporelles.
PyTorch Dual-Attention LSTM-Autoencodeur pour séries temporelles multivariées
Temporian est une bibliothèque Python open-source pour le prétraitement ⚡ et l'ingénierie des caractéristiques 🛠 de données temporelles 📈 pour les applications d'apprentissage automatique 🤖
Ressources pour travailler avec des données de séries chronologiques et séquentielles
Base de données de séries temporelles open source et native SQL pour les données de télémétrie que vous devez conserver. Ingère plus de 38 millions d’enregistrements par seconde et interroge plus de 25 millions de lignes par seconde. Compatible avec InfluxDB Line Protocol et Telegraf. Parquet ouvert sur votre stockage. Un seul binaire. Prise en charge native de S3/Azure. Prête pour les environnements isolés. AGPL-3.0.
Prédiction des cours des actions à l'aide d'un réseau neuronal LSTM (longue mémoire à court terme) TensorFlow pour la prévision de séries temporelles
Base de données d'analyse de graphes évolutive alimentée par un moteur temporel multithreadé et vectorisé, écrite en Rust
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.
Une collection organisée de jeux de données industriels publics.
Dalaran — Apache-2.0, infrastructure de visualisation et de données axée sur la robotique pour les séries temporelles multimodales. Natif ROS 2, lit les enregistrements .rrd existants. Un fork dur de Rerun.
Le moteur de reporting pour Django. Créez des tableaux de bord ainsi que des rapports et graphiques autonomes.
Dépôt de l'article « A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series ».
DÉPRÉCIÉ, maintenant dans sktime - package compagnon pour l'apprentissage profond basé sur TensorFlow
Modeltime débloque les modèles de prévision des séries chronologiques et le machine learning dans un seul framework
Analyse de séries temporelles pour Rust, avec des liaisons vers Python et Javascript
Compendium de ressources gratuites de lecture en apprentissage automatique
Implémentations, code de pré-entraînement et jeux de données des grands modèles de séries temporelles
Publication du code pour « Transformeurs non stationnaires : explorer la stationnarité dans la prévision des séries chronologiques » (NeurIPS 2022), https://arxiv.org/abs/2205.14415
Ce dépôt contient une liste de lecture d'articles sur la segmentation des séries temporelles. Ce dépôt est encore en cours d'amélioration continue.
Un package convivial pour l'analyse de séries temporelles Kepler et TESS en Python.
Un package Python pour l'identification de systèmes utilisant des modèles NARMAX
L'implémentation officielle PyTorch du papier "SAITS: Imputation basée sur l'auto-attention pour les séries temporelles". Un modèle de réseau de neurones en apprentissage profond rapide et de l'état de l'art (SOTA) pour l'imputation efficace des séries temporelles (imputer des séries temporelles multivariées incomplètes contenant des données/valeurs manquantes NaN avec l'apprentissage automatique). https://arxiv.org/abs/2202.08516
SiriDB est une base de données de séries temporelles hautement scalable, robuste et super rapide. Construite de A à Z, SiriDB utilise un mécanisme unique pour fonctionner sans index global et permet d'ajouter des ressources serveur à la volée. Le langage de requête unique de SiriDB inclut un regroupement dynamique des séries temporelles pour une analyse facile sur de grandes quantités de séries temporelles.
Apprentissage contrastif auto-supervisé pour les séries temporelles via la cohérence temps-fréquence