forecasting

Apprentissage automatique évolutif pour la prévision de séries temporelles.

Une liste professionnelle sur les grands modèles de langage (LLM) et les modèles de fondation (LM, FM) pour les séries temporelles, les données spatio-temporelles et les données d'événements.

Apprentissage automatique de séries temporelles à grande échelle. Construit avec Polars pour une extraction de caractéristiques et des prévisions hautement parallèles sur des données de panel.

Fonctions de prévision pour les séries temporelles et les modèles linéaires

Boîte à outils de surveillance non intrusive de la charge (nilmtk)

tfts : modèles d'apprentissage profond pour séries temporelles dans TensorFlow

MOMENT : Une famille de modèles de fondation pour séries temporelles, ICML'24

Luminaire est un package Python fournissant des solutions basées sur le ML pour la surveillance de données de séries temporelles.

Ressources sur la prévision de séries temporelles et l'apprentissage profond.

Prévision hiérarchique probabiliste avec des méthodes statistiques et économétriques.

Compilation d'exemples concrets et notables de projets de machine learning ayant échoué

Auto-encodeur LSTM à double attention PyTorch pour les séries temporelles multivariées

Un modèle unifié de séries temporelles multi-tâches.

Analyse de séries temporelles dans le `tidyverse`

TimeCopilot : l'agent de prévision GenAI. Construit sur des LLM et des modèles de fondation de séries temporelles, il vous permet de prévoir, de valider de manière croisée et de détecter des anomalies à l'aide de plusieurs modèles de fondation via une API unique. De la finance et de l'énergie à l'analyse Web, TimeCopilot transforme les requêtes en langage naturel en prévisions prêtes pour la production.

Prévision de séries temporelles ordonnée

Modeltime intègre les modèles de prévision de séries temporelles et le machine learning dans un seul framework

Publication du code pour « Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting » (NeurIPS 2022), https://arxiv.org/abs/2205.14415