time-series-forecasting

Chronos: Vortrainierte Modelle für Zeitreihenprognosen.

Probabilistische Zeitreihenmodellierung in Python

TimeGPT-1: Ein produktionsbereites, vortrainiertes Time Series Foundation Model für Vorhersagen und Anomalieerkennung. Ein generativer, vortrainierter Transformer für Zeitreihen, trainiert auf über 100 Milliarden Datenpunkten. Ermöglicht präzise Vorhersagen in Bereichen wie Einzelhandel, Strom, Finanzen und IoT mit nur wenigen Zeilen Code 🚀.

Dieses Repository enthält eine Leseliste von Fachartikeln zu Zeitreihenvorhersagen (TSF) und raum-zeitlichen Vorhersagen (STF). Diese Artikel sind hauptsächlich nach Modelltyp kategorisiert.

Eine professionell kuratierte Liste von großartigen Ressourcen (Papers, Code, Daten usw.) zu Transformern in Zeitreihen.

Sammlung von Artikeln, Code und Experimenten zum Deep Learning für Zeitreihenprognosen

[ICLR 2024] Offizielle Implementierung von „ 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models“

[AAAI-23 Oral] Offizielle Implementierung des Papers „Are Transformers Effective for Time Series Forecasting?“

Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Zeitreihen-Anomalieerkennung mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellung Ihres ersten neuronalen Netzwerks, Zeitreihenvorhersage für tägliche Coronavirus-Fälle, Sentiment-Analyse mit BERT

Deep-Learning-PyTorch-Bibliothek für Zeitreihenvorhersage, Klassifizierung und Anomalieerkennung (ursprünglich für Hochwasservorhersagen).

AssetOpsBench - Industrie 4.0: Ein einheitlicher Benchmark und Framework zum Erstellen, Orchestrieren und Evaluieren domänenspezifischer KI-Agenten für den Betrieb und die Wartung von Industrie-4.0-Assets, mit über 460 Szenarien, 5 Spezialagenten (IoT, FMSR, TSFM, Work Order, ...) und Multi-Agenten-Orchestrierungsblaupausen (MetaAgent, AgentHive) über MCP.

Offizielle Implementierung von „iTransformer: Inverted Transformers Are Effective for Time Series Forecasting“ (ICLR 2024 Spotlight)

[ICLR 2024] Offizielle Implementierung von „TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting“

[PVLDB 2024 Best Paper Nomination] TFB: Für umfassendes und fairen Benchmarking von Methoden zur Zeitreihenvorhersage

Lag-Llama: Auf dem Weg zu Basismodellen für die probabilistische Zeitreihenprognose

Einheitliches Training von universellen Time-Series-Forecasting-Transformern

Python-Bibliothek für Zeitreihenprognosen unter Verwendung von scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen

Eine Awesome List der neuesten Time-Series-Papers und des Codes von führenden KI-Konferenzen.

Liste von Artikeln, Code und anderen Ressourcen

Zusammenfassung von Zeitreihen-Arbeiten auf Top-CS-Konferenzen (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE etc.)

[ICLR 2025 Spotlight] Offizielle Implementierung von „Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts“

tfts: Deep-Learning-Modelle für Zeitreihen in TensorFlow

[TPAMI 2024] Sammlung von Ressourcen zu GNNs für die Zeitreihenanalyse (GNN4TS)

MOMENT: Eine Familie offener Zeitreihen-Basismodelle, ICML'24

Ressourcen zu Zeitreihenprognosen und Deep Learning.

Probabilistische hierarchische Vorhersage 👑 mit statistischen und ökonometrischen Methoden.

Ressourcen für die Arbeit mit Zeitreihen- und Sequenzdaten

Python-Client und Toolkit für DataFrames, Big Data, Machine Learning und ETL in Elasticsearch

Vorhersage der elektrischen Last von Delhi unter Verwendung von ARIMA-, RNN-, LSTM- und GRU-Modellen

TimeCopilot: Der GenAI-Prognose-Agent. Basierend auf LLMs und Zeitreihen-Grundlagenmodellen ermöglicht er Prognosen, Kreuzvalidierungen und Anomalieerkennung über mehrere Modelle hinweg mittels einer einzigen API. Von Finanzen und Energie bis hin zu Web-Analysen wandelt TimeCopilot natürlichsprachliche Abfragen in produktionsreife Prognosen um.