forecasting

Học máy 🤖 có thể mở rộng để dự báo chuỗi thời gian.

Danh sách chuyên nghiệp về Mô hình ngôn ngữ lớn và Mô hình nền tảng (LLM, LM, FM) cho Dữ liệu chuỗi thời gian, không gian thời gian và sự kiện.

Học máy chuỗi thời gian ở quy mô lớn. Được xây dựng bằng Polars để trích xuất đặc trưng song song cực lớn và dự báo trên dữ liệu bảng.

Các hàm dự báo cho chuỗi thời gian và mô hình tuyến tính

Bộ công cụ giám sát tải không xâm lấn (nilmtk)

tfts: Các mô hình học sâu chuỗi thời gian trong TensorFlow

MOMENT: Một dòng mô hình nền tảng chuỗi thời gian mở, ICML'24.

Luminaire là một gói Python cung cấp các giải pháp dựa trên ML để giám sát dữ liệu chuỗi thời gian.

Tài nguyên về dự báo chuỗi thời gian và học sâu.

Dự báo phân cấp xác suất với các phương pháp thống kê và kinh tế lượng.

Tổng hợp các ví dụ thực tế nổi bật về các dự án học máy thất bại

PyTorch Dual-Attention LSTM-Autoencoder cho chuỗi thời gian đa biến

Một mô hình chuỗi thời gian đa nhiệm thống nhất.

Phân tích chuỗi thời gian trong tidyverse

TimeCopilot: Tác nhân dự báo GenAI. Được xây dựng trên LLM và Time Series Foundation Models, nó cho phép bạn dự báo, kiểm định chéo và phát hiện bất thường bằng nhiều mô hình nền tảng thông qua một API duy nhất. Từ tài chính và năng lượng đến phân tích web, TimeCopilot biến các truy vấn ngôn ngữ tự nhiên thành các dự báo sẵn sàng cho sản xuất.

Dự báo chuỗi thời gian gọn gàng

Modeltime mở khóa các mô hình dự báo chuỗi thời gian và học máy trong một khung làm việc duy nhất

Phát hành mã nguồn cho "Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting" (NeurIPS 2022), https://arxiv.org/abs/2205.14415