time-series-analysis

Framework ETL Python pour le traitement de flux, l'analyse en temps réel, les pipelines LLM et le RAG.

Une bibliothèque de modèles avancés de Deep Learning pour l'analyse générale de séries temporelles.

Un framework unifié pour l'apprentissage automatique appliqué aux séries temporelles.

Livres, articles, vidéos et boîtes à outils sur la détection d'anomalies. Dernière mise à jour fin 2025 pour les travaux sur les LLM et VLM !

Bibliothèque de Deep Learning de pointe pour les séries temporelles et les séquences dans Pytorch / fastai.

STUMPY est une bibliothèque Python puissante et évolutive pour l'analyse moderne de séries temporelles.

Ce dépôt contient une liste de lecture d'articles sur la prévision de séries temporelles (TSF) et la prévision spatio-temporelle (STF). Ces articles sont principalement classés par type de modèle.

La boîte à outils d'apprentissage automatique pour l'analyse de séries temporelles en Python.

[ICLR 2024] Implémentation officielle de "Time-LLM : prévision de séries temporelles par reprogrammation de grands modèles de langage".

Maîtrisez les compétences essentielles pour identifier et résoudre des problèmes complexes du monde réel avec le Machine Learning et le Deep Learning en tirant parti de l'écosystème Python très populaire.

Bibliothèque PyTorch de deep learning pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des crues).

[ICLR 2024] Implémentation officielle de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"

Package Python pour la classification de séries temporelles

Compilation de ressources d'apprentissage sur l'AIOps, contributions et étoiles bienvenues pour compléter ce dépôt.

AutoML Python pour les systèmes de trading et les paris sportifs.

Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond sur les séries temporelles

Une liste exhaustive des derniers articles et codes sur les séries temporelles issus des meilleures conférences en IA.

Code officiel, jeux de données et points de contrôle pour "Timer: Generative Pre-trained Transformers Are Large Time Series Models" (ICML 2024) et travaux ultérieurs.

Bibliothèque Python pour l'analyse de séries temporelles incluant la réduction de dimensionnalité, le clustering et l'estimation de modèles de Markov.

[TPAMI 2024] Ressources sur les GNN pour l'analyse de séries temporelles (GNN4TS)

Analyse hautement comparative de séries temporelles

Générez automatiquement des modèles ARIMA, SARIMAX, VAR, FB Prophet et XGBoost sur des séries temporelles avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.

Ressources pour travailler avec des séries temporelles et des données séquentielles

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

Analyse de séries temporelles pour Rust, avec des liaisons pour Python et Javascript

Une étude complète sur les domaines des séries temporelles.

Modélisation de séries temporelles profondes facile à utiliser basée sur PaddlePaddle, incluant des modules complets comme TSDataset, Analysis, Transform, Models, AutoTS et Ensemble, prenant en charge des tâches variées comme la prévision, l'apprentissage de représentation et la détection d'anomalies, avec un suivi rapide des modèles SOTA.

Ce dépôt contient une liste de lecture d'articles sur la segmentation de séries temporelles. Ce dépôt est en amélioration continue.