#time-series-forecasting Repository
Scopri 54 repository GitHub open source attivi contrassegnati con #time-series-forecasting, che raccolgono un totale di 179,543 stelle (con una media di 3,324 stelle per progetto). Il progetto leader di questo argomento è shiyu-coder/Kronos, con 48,042 stelle.
54 repository in totale
TimesFM (Time Series Foundation Model) è un modello fondazionale preaddestrato per serie temporali sviluppato da Google Research per la forecasting di serie temporali.
Questo repository contiene una raccolta curata di oltre 300 casi di studio provenienti da oltre 80 aziende, che descrivono applicazioni pratiche e approfondimenti sulla progettazione di sistemi di machine learning (ML). I contenuti sono organizzati per aiutarti a trovare facilmente casi di studio pertinenti in base al settore o a specifici casi d'uso di ML.
Chronos: Modelli pre-addestrati per la previsione di serie temporali
In questo notebook creerò un processo completo per prevedere i movimenti dei prezzi delle azioni. Segui e otterremo alcuni risultati piuttosto buoni. Per questo scopo useremo una Rete Avversaria Generativa (GAN) con LSTM, un tipo di Rete Neurale Ricorrente, come generatore, e una Rete Neurale Convoluzionale, CNN, come discriminatore. Usiamo LSTM per il motivo ovvio che stiamo cercando di prevedere dati di serie temporali. Perché usiamo GAN e specificamente CNN come discriminatore? È una buona q
TimeGPT-2.1: modello fondazionale preaddestrato per serie temporali, pronto per la produzione, per le previsioni e il rilevamento delle anomalie. Un transformer generativo preaddestrato per serie temporali, addestrato su oltre 100 miliardi di punti dati. È in grado di effettuare previsioni accurate in vari ambiti, come vendita al dettaglio, elettricità, finanza e IoT, con solo poche righe di codice 🚀.
Questo repository contiene un elenco di letture di articoli su Time Series Forecasting/Prediction (TSF) e Spatio-Temporal Forecasting/Prediction (STF). Questi articoli sono principalmente categorizzati in base al tipo di modello.
Un elenco curato professionalmente di fantastiche risorse (paper, codice, dati, ecc.) sui trasformatori nelle serie temporali.
Elenco di articoli, codice e esperimenti che utilizzano deep learning per la previsione di serie temporali
[ICLR 2024] Implementazione ufficiale di " 🦙 Time-LLM: Previsione di serie temporali mediante riprogrammazione di modelli linguistici di grandi dimensioni"
Tutorial Jupyter Notebook per risolvere problemi del mondo reale con Machine Learning & Deep Learning usando PyTorch. Argomenti: Rilevamento facciale con Detectron 2, Rilevamento anomalie nelle serie temporali con LSTM Autoencoders, Rilevamento oggetti con YOLO v5, Costruisci la tua prima Neural Network, Previsione serie temporali per i casi giornalieri di Coronavirus, Analisi del sentimento con BER
AssetOpsBench - Industria 4.0: Un benchmark e framework unificato per costruire, orchestrare e valutare agenti IA specifici di dominio per le operazioni e la manutenzione degli asset nell'Industria 4.0, con oltre 460 scenari, 5 agenti specialistici (IoT, FMSR, TSFM, ordini di lavoro, ecc.) e blueprint di orchestrazione multi-agente (MetaAgent, AgentHive) su MCP.
[AAAI-23 Orale] Implementazione ufficiale del paper "Sono efficaci i Transformer per la previsione delle serie temporali?"
Libreria PyTorch di deep learning per previsione di serie temporali, classificazione e rilevamento di anomalie (originariamente per previsione di alluvioni).
Implementazione ufficiale per "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
[ICLR 2024] Implementazione ufficiale di "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
[Nomination Best Paper PVLDB 2024] TFB: Verso benchmark completi ed equi per i metodi di previsione delle serie temporali
Addestramento unificato di trasformatori universali per la previsione di serie temporali
Lag-Llama: Verso modelli fondamentali per la previsione probabilistica di serie temporali
Libreria Python per la previsione di serie temporali utilizzando modelli compatibili con scikit-learn, metodi statistici e modelli fondamentali
Apprendimento automatico per l'imputazione e la previsione dei dati di trasporto.
Un elenco eccezionale degli ultimi articoli e codici sulle serie temporali dalle principali sedi dell'IA.
Libreria per l’estrazione di caratteristiche da serie temporali (TSFEL): oltre 60 caratteristiche statistiche, temporali, spettrali e frattali per la classificazione e la regressione di serie temporali e l’elaborazione dei segnali in Python
Riepilogo del lavoro sulle serie temporali nelle migliori conferenze CS (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, ecc.)
[ICLR 2025 Spotlight] Implementazione ufficiale di "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"
Una rassegna e un elenco di articoli sugli attuali modelli di diffusione per dati di serie temporali e spazio-temporali con risorse eccezionali (articoli, applicazioni, recensioni, rassegne, ecc.).
Informazioni sul rilascio del codice per "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
tfts: Modelli di Deep Learning per Serie Temporali in TensorFlow
MOMENT: Una famiglia di modelli fondamentali a serie temporali aperti, ICML'24
Il miglior repository che mostra perché i transformer potrebbero non essere la risposta per le previsioni delle serie temporali e che presenta i migliori modelli non transformer SOTA.
[TPAMI 2024] Fantastica raccolta di risorse sulle GNN per l'analisi delle serie temporali (GNN4TS)
Risorse su previsioni di serie temporali e deep learning.
Una raccolta curata di articoli, tutorial, video e altre preziose risorse relative a Mamba.
Previsioni gerarchiche probabilistiche 👑 con metodi statistici ed econometrici.
Client e Toolkit Python per DataFrames, Big Data, Machine Learning e ETL in Elasticsearch
Previsione del carico di energia elettrica di Delhi utilizzando modelli ARIMA, RNN, LSTM e GRU
TimeCopilot: il framework agentico per le previsioni. Basato su LLM e modelli fondazionali per serie temporali, consente di effettuare previsioni, convalide incrociate e rilevare anomalie utilizzando più modelli fondazionali tramite un’unica API. Dalla finanza all’energia, fino all’analisi web, TimeCopilot trasforma le query in linguaggio naturale in previsioni pronte per la produzione.
Il codice ufficiale per "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
DEPRECATO, ora in sktime - pacchetto companion per deep learning basato su TensorFlow
Spectral Temporal Graph Neural Network (in breve StemGNN) per la previsione di serie temporali multivariate
Modern Time Series Forecasting with Python, pubblicato da Packt
Domande frequenti
Qual è il repository #time-series-forecasting più popolare su GitHub?
Il progetto open source #time-series-forecasting più alto in classifica su GitHub è shiyu-coder/Kronos, con 48,042 stelle. Kronos: Un modello di fondazione per il linguaggio dei mercati finanziari
Quali linguaggi di programmazione sono più utilizzati nei repository #time-series-forecasting?
Tra i progetti #time-series-forecasting più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, JavaScript, Shell.
Come viene calcolata la classifica dei repository #time-series-forecasting?
Monitoriamo 54 repository open source attivi contrassegnati con #time-series-forecasting (500+ stelle), per un totale di 179,543 stelle e una media di 3,324 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.