time-series-forecasting

Chronos : modèles pré-entraînés pour la prévision de séries temporelles

Modélisation probabiliste de séries temporelles en Python.

TimeGPT-1 : modèle de fondation pré-entraîné pour les séries temporelles, prêt pour la production, dédié à la prévision et à la détection d'anomalies

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.

Une liste organisée de ressources (articles, code, données, etc.) sur les transformers appliqués aux séries temporelles.

Liste d'articles, de codes et d'expériences utilisant le deep learning pour la prévision de séries temporelles

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

[AAAI-23 Oral] Implémentation officielle de l'article "Are Transformers Effective for Time Series Forecasting?"

Tutoriels Jupyter Notebook sur la résolution de problèmes réels avec le Machine Learning et le Deep Learning en utilisant PyTorch. Sujets : détection de visages avec Detectron 2, détection d'anomalies de séries temporelles avec des auto-encodeurs LSTM, détection d'objets avec YOLO v5, création de votre premier réseau de neurones, prévision de séries temporelles pour les cas quotidiens de coronavirus, analyse de sentiment avec BERT

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

AssetOpsBench - Industrie 4.0 : Un benchmark et framework unifié pour construire, orchestrer et évaluer des agents IA spécialisés pour les opérations et la maintenance d'actifs dans l'Industrie 4.0, avec plus de 460 scénarios, 5 agents spécialisés (IoT, FMSR, TSFM, Work Order,...) et des modèles d'orchestration multi-agents (MetaAgent, AgentHive) via MCP.

Implémentation officielle de "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)

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

[Nomination meilleur article PVLDB 2024] TFB : Vers une évaluation complète et équitable des méthodes de prévision de séries temporelles.

Lag-Llama : Vers des modèles de fondation pour la prévision probabiliste de séries temporelles

Entraînement unifié de Transformers pour la prévision de séries temporelles universelles.

Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles de fondation.

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

Liste d'articles, de code et d'autres ressources.

Résumé des travaux sur les séries temporelles dans les conférences informatiques majeures (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)

[ICLR 2025 Spotlight] Implémentation officielle de "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"

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

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

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

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

Prévision hiérarchique probabiliste avec des méthodes statistiques et économétriques.

Ressources pour travailler avec des séries temporelles et des données séquentielles

Client Python et boîte à outils pour DataFrames, Big Data, Machine Learning et ETL dans Elasticsearch

Prévision de la charge électrique de Delhi en utilisant les modèles ARIMA, RNN, LSTM et GRU

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.