#time-series-forecasting Репозитории
Откройте для себя 54 активных репозиториев с открытым исходным кодом на GitHub, отмеченных тегом #time-series-forecasting, с общим числом 179,543 звёзд (в среднем 3,324 на проект). Лидером этой темы является shiyu-coder/Kronos, набравший 48,042 звёзд.
Всего репозиториев: 54
TimesFM (Time Series Foundation Model) — это предварительно обученная базовая модель для временных рядов, разработанная Google Research для прогнозирования временных рядов.
Этот репозиторий содержит тщательно подобранную коллекцию из более чем 300 примеров из более чем 80 компаний, подробно описывающих практическое применение и идеи по проектированию систем машинного обучения (ML). Содержимое организовано так, чтобы вы могли легко найти соответствующие примеры на основе отрасли или конкретных случаев использования ML.
Chronos: Предобученные модели для прогнозирования временных рядов
В этом блокноте я создам полный процесс для предсказания движений цен акций. Следите за мной, и мы добьемся довольно хороших результатов. Для этой цели мы будем использовать Генеративно-Состязательную Сеть (GAN) с LSTM, видом Рекуррентной Нейронной Сети, в качестве генератора, и Сверточную Нейронную Сеть, CNN, в качестве дискриминатора. Мы используем LSTM по очевидной причине, что пытаемся предсказывать данные временных рядов. Почему мы используем GAN и конкретно CNN в качестве дискриминатора? Это хороший q
TimeGPT-2.1: предварительно обученная фундаментальная модель временных рядов, готовая к использованию в промышленной эксплуатации, для прогнозирования и обнаружения аномалий. Генеративный предварительно обученный трансформер для временных рядов, обученный на более чем 100 млрд точек данных. Всего несколько строк кода позволяют выполнять точные прогнозы в различных областях, включая розничную торговлю, электроэнергетику, финансы и IoT 🚀.
Этот репозиторий содержит список литературы по прогнозированию/предсказанию временных рядов (TSF) и пространственно-временному прогнозированию/предсказанию (STF). Эти статьи в основном классифицируются по типу модели.
Профессионально подобранный список отличных ресурсов (статьи, код, данные и т. д.), посвященных трансформерам во временных рядах.
Список статей, кода и экспериментов, использующих глубокое обучение для прогнозирования временных рядов
[ICLR 2024] Официальная реализация " 🦙 Time-LLM: Прогнозирование временных рядов путем перепрограммирования больших языковых моделей"
Учебные пособия Jupyter Notebook по решению реальных проблем с помощью Machine Learning & Deep Learning с использованием PyTorch. Темы: Обнаружение лиц с Detectron 2, Обнаружение аномалий в временных рядах с LSTM Autoencoders, Обнаружение объектов с YOLO v5, Создайте свою первую Neural Network, Прогнозирование временных рядов для ежедневных случаев Coronavirus, Анализ настроений с BER
AssetOpsBench - Индустрия 4.0: Единый бенчмарк и фреймворк для создания, оркестрации и оценки специализированных ИИ-агентов для эксплуатации и технического обслуживания активов в Индустрии 4.0, включающий более 460 сценариев, 5 специализированных агентов (IoT, FMSR, TSFM, наряды на работу и др.) и чертежи мультиагентной оркестрации (MetaAgent, AgentHive) на базе MCP.
[AAAI-23 Oral] Официальная реализация статьи "Эффективны ли трансформеры для прогнозирования временных рядов?"
Библиотека PyTorch для глубокого обучения для прогнозирования временных рядов, классификации и обнаружения аномалий (первоначально для прогнозирования наводнений).
Официальная реализация "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)
[ICLR 2024] Официальная реализация "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
[Номинация на Лучшую статью PVLDB 2024] TFB: На пути к всестороннему и справедливому тестированию методов прогнозирования временных рядов
Единое обучение универсальных трансформеров для прогнозирования временных рядов
Lag-Llama: На пути к базовым моделям для вероятностного прогнозирования временных рядов
Библиотека Python для прогнозирования временных рядов с использованием моделей, совместимых с scikit-learn, статистических методов и базовых моделей
Потрясающий список новейших работ и кода по временным рядам от ведущих площадок ИИ.
Библиотека извлечения признаков временных рядов (TSFEL): более 60 статистических, временных, спектральных и фрактальных признаков для классификации и регрессии временных рядов, а также обработки сигналов на Python
Резюме работ в области временных рядов на ведущих конференциях по информатике (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE и др.)
[ICLR 2025 Spotlight] Официальная реализация "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"
Обзор и список статей по текущим диффузионным моделям для временных рядов и пространственно-временных данных с отличными ресурсами (статьи, приложения, обзоры, исследования и т. д.).
О выпуске кода для "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
tfts: Модели глубокого обучения для временных рядов в TensorFlow
MOMENT: Семейство открытых базовых моделей для временных рядов, ICML'24
Лучший репозиторий, показывающий, почему трансформеры могут быть не ответом для прогнозирования временных рядов, и демонстрирующий лучшие SOTA-модели, не основанные на трансформерах.
Ресурсы по прогнозированию временных рядов и глубокому обучению.
Курируемая коллекция статей, учебных пособий, видеороликов и других ценных ресурсов, связанных с Mamba.
Вероятностное иерархическое прогнозирование 👑 с использованием статистических и эконометрических методов.
Клиент и набор инструментов Python для DataFrames, Big Data, Machine Learning и ETL в Elasticsearch
Прогнозирование нагрузки электроэнергии Дели с использованием моделей ARIMA, RNN, LSTM и GRU
TimeCopilot: агентный фреймворк для прогнозирования. Созданный на основе больших языковых моделей (LLM) и базовых моделей временных рядов, он позволяет с помощью единого API строить прогнозы, проводить перекрёстную проверку и выявлять аномалии, используя несколько базовых моделей. От финансов и энергетики до веб-аналитики — TimeCopilot преобразует запросы на естественном языке в прогнозы, готовые к использованию в промышленной среде.
Официальный код для "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
УСТАРЕЛО, теперь в sktime - вспомогательный пакет для глубокого обучения на основе TensorFlow
Спектральная временная графовая нейронная сеть (StemGNN) для прогнозирования многомерных временных рядов
Modern Time Series Forecasting with Python, издательство Packt
Часто задаваемые вопросы
Какой репозиторий по теме #time-series-forecasting наиболее популярен на GitHub?
Самый высоко оценённый проект с открытым исходным кодом по теме #time-series-forecasting на GitHub — shiyu-coder/Kronos, набравший 48,042 звёзд. Kronos: Базовая модель для языка финансовых рынков
Какие языки программирования чаще всего используются в репозиториях по теме #time-series-forecasting?
Среди наиболее высоко оценённых проектов по теме #time-series-forecasting на GitHub чаще всего используются языки программирования Python, Jupyter Notebook, JavaScript, Shell.
Как рассчитывается рейтинг репозиториев по теме #time-series-forecasting?
Мы отслеживаем 54 активных репозиториев с открытым исходным кодом, отмеченных тегом #time-series-forecasting (500 и более звёзд), с общим числом 179,543 звёзд и в среднем 3,324 звёзд на репозиторий. Рейтинги обновляются ежедневно на основе данных GitHub API.