#time-series-forecasting Repositórios
Descubra 54 repositórios ativos de código aberto no GitHub marcados com #time-series-forecasting, acumulando um total de 179,543 estrelas (uma média de 3,324 por projeto). O líder deste tópico é shiyu-coder/Kronos, com 48,042 estrelas.
54 repositórios no total
TimesFM (Time Series Foundation Model) é um modelo de fundação de séries temporais pré-treinado desenvolvido pelo Google Research para a previsão de séries temporais.
Este repositório contém uma coleção selecionada de mais de 300 estudos de caso de mais de 80 empresas, detalhando aplicações práticas e insights sobre o design de sistemas de aprendizado de máquina (ML). O conteúdo está organizado para ajudá-lo a encontrar facilmente estudos de caso relevantes com base na indústria ou em casos de uso específicos de ML.
Chronos: Modelos Pré-treinados para Previsão de Séries Temporais
Neste caderno, criarei um processo completo para prever movimentos de preços de ações. Acompanhe e alcançaremos resultados muito bons. Para isso, usaremos uma Rede Adversarial Generativa (GAN) com LSTM, um tipo de Rede Neural Recorrente, como gerador, e uma Rede Neural Convolucional, CNN, como discriminador. Usamos LSTM pela razão óbvia de que estamos tentando prever dados de séries temporais. Por que usamos GAN e especificamente CNN como discriminador? Essa é uma boa p
TimeGPT-2.1: modelo fundacional de séries temporais pré-treinado e pronto para produção, para previsão e detecção de anomalias. Um transformador generativo pré-treinado para séries temporais, treinado com mais de 100 bilhões de pontos de dados. Ele é capaz de fazer previsões precisas em diversos domínios, como varejo, eletricidade, finanças e IoT, com apenas algumas linhas de código 🚀.
Este repositório contém uma lista de leitura de artigos sobre Previsão/Predição de Séries Temporais (TSF) e Previsão/Predição Espaço-Temporal (STF). Esses artigos são categorizados principalmente de acordo com o tipo de modelo.
O kit de ferramentas de aprendizado de máquina para análise de séries temporais em Python
Uma lista com curadoria profissional de recursos incríveis (artigos, códigos, dados, etc.) sobre transformers em séries temporais.
Lista de artigos, códigos e experimentos usando aprendizado profundo para previsão de séries temporais
[ICLR 2024] Implementação oficial de " 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models"
Tutoriais de Jupyter Notebook sobre como resolver problemas do mundo real com Machine Learning e Deep Learning usando PyTorch. Tópicos: Detecção facial com Detectron 2, Detecção de anomalias em Séries Temporais com Autoencoders LSTM, Detecção de objetos com YOLO v5, Construa sua primeira Rede Neural, Previsão de Séries Temporais para casos diários de Coronavírus, Análise de Sentimentos com BER
AssetOpsBench - Indústria 4.0: Um benchmark e framework unificado para construir, orquestrar e avaliar agentes de IA específicos de domínio para operações e manutenção de ativos na Indústria 4.0, com mais de 460 cenários, 5 agentes especialistas (IoT, FMSR, TSFM, ordens de serviço, etc.) e blueprints de orquestração multi-agente (MetaAgent, AgentHive) sobre MCP.
[AAAI-23 Oral] Implementação oficial do artigo "Are Transformers Effective for Time Series Forecasting?"
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
Implementação oficial para "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (Destaque ICLR 2024)
[ICLR 2024] Implementação oficial de "TimeMixer: Mistura Multiescala Decomponível para Previsão de Séries Temporais"
[Nomeação de Melhor Artigo PVLDB 2024] TFB: Em Direção a Benchmarking Abrangente e Justo de Métodos de Previsão de Séries Temporais
Treinamento Unificado de Transformers Universais de Previsão de Séries Temporais
Lag-Llama: Em direção a modelos de fundação para previsão probabilística de séries temporais
Biblioteca Python para previsão de séries temporais usando modelos compatíveis com scikit-learn, métodos estatísticos e modelos fundamentais
Uma Lista Incrível dos mais recentes artigos e códigos sobre séries temporais de importantes eventos de IA.
Biblioteca de extração de características de séries temporais (TSFEL): mais de 60 características estatísticas, temporais, espectrais e fractais para classificação e regressão de séries temporais e processamento de sinais em Python
Sumário de Trabalhos em Séries Temporais nas Principais Conferências de CS (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
[ICLR 2025 Spotlight] Implementação oficial de "Time-MoE: Modelos Fundamentais de Séries Temporais em Escala de Bilhões com Mistura de Especialistas"
Um levantamento e lista de artigos sobre Modelos de Difusão atuais para Séries Temporais e Dados Espaço-Temporais, com recursos excelentes (artigos, aplicações, revisões, pesquisas, etc.).
Sobre o lançamento do 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 de Séries Temporais em TensorFlow
MOMENT: Uma Família de Modelos Fundamentais de Séries Temporais Abertas, ICML'24
O melhor repositório mostrando por que os transformers podem não ser a resposta para a previsão de séries temporais e apresentando os melhores modelos SOTA não-transformer.
[TPAMI 2024] Recursos Incríveis de GNNs para Análise de Séries Temporais (GNN4TS)
Recursos sobre previsão de séries temporais e aprendizado profundo.
Uma coleção selecionada de artigos, tutoriais, vídeos e outros recursos valiosos relacionados ao Mamba.
Previsão Hierárquica Probabilística 👑 com métodos estatísticos e econométricos.
Cliente e Toolkit Python para DataFrames, Big Data, Machine Learning e ETL em Elasticsearch
Previsão da carga de energia elétrica de Delhi usando modelos ARIMA, RNN, LSTM e GRU
TimeCopilot: o framework agentivo de previsão. Desenvolvido com LLMs e modelos fundacionais de séries temporais, permite fazer previsões, validação cruzada e detecção de anomalias usando vários modelos fundacionais por meio de uma única API. De finanças e energia à análise da web, o TimeCopilot transforma consultas em linguagem natural em previsões prontas para produção.
O código oficial para "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
DESCONTINUADO, agora em sktime - pacote complementar para aprendizado profundo baseado em TensorFlow
Rede Neural Gráfica Espectral Temporal (StemGNN, em resumo) para Previsão de Séries Temporais Multivariadas
Previsão de Séries Temporais Moderna com Python, publicado pela Packt
Perguntas Frequentes
Qual é o repositório de #time-series-forecasting mais popular no GitHub?
O projeto de código aberto de #time-series-forecasting mais bem classificado no GitHub é shiyu-coder/Kronos, com 48,042 estrelas. Kronos: Um Modelo Base para a Linguagem dos Mercados Financeiros
Quais linguagens de programação são mais usadas nos repositórios de #time-series-forecasting?
Entre os projetos de #time-series-forecasting mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, JavaScript, Shell.
Como é calculada a classificação dos repositórios de #time-series-forecasting?
Acompanhamos 54 repositórios ativos de código aberto marcados com #time-series-forecasting (com mais de 500 estrelas), totalizando 179,543 estrelas e uma média de 3,324 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.