time-series-forecasting

Chronos: Các mô hình được huấn luyện trước cho việc dự đoán chuỗi thời gian

Mô hình hóa chuỗi thời gian xác suất bằng Python

TimeGPT-1: Mô hình nền tảng chuỗi thời gian được huấn luyện trước sẵn sàng cho sản xuất để dự báo và phát hiện bất thường. Transformer huấn luyện trước tạo sinh cho chuỗi thời gian được đào tạo trên hơn 100 tỷ điểm dữ liệu. Khả năng dự đoán chính xác các lĩnh vực khác nhau như bán lẻ, điện lực, tài chính và IoT chỉ với vài dòng mã 🚀.

Kho lưu trữ này chứa danh sách các bài báo nghiên cứu về Dự báo/Dự đoán Chuỗi Thời gian (TSF) và Dự báo/Dự đoán Không gian - Thời gian (STF). Các bài báo này chủ yếu được phân loại theo loại mô hình.

Danh sách các tài nguyên tuyệt vời được tuyển chọn chuyên nghiệp (bài báo, mã nguồn, dữ liệu, v.v.) về transformers trong chuỗi thời gian.

Danh sách các bài báo, mã nguồn và thí nghiệm sử dụng học sâu để dự đoán chuỗi thời gian

[ICLR 2024] Bản cài đặt chính thức của " 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models"

[AAAI-23 Oral] Mã nguồn chính thức của bài báo "Are Transformers Effective for Time Series Forecasting?"

Các hướng dẫn Jupyter Notebook về giải quyết vấn đề thực tế bằng Machine Learning và Deep Learning sử dụng PyTorch. Các chủ đề: Nhận diện khuôn mặt với Detectron 2, Phát hiện bất thường chuỗi thời gian với LSTM Autoencoders, Phát hiện đối tượng với YOLO v5, Xây dựng mạng neural đầu tiên, Dự báo chuỗi thời gian cho ca nhiễm Coronavirus hàng ngày, Phân tích cảm sentiment với BERT

Thư viện PyTorch học sâu dành cho dự báo chuỗi thời gian, phân loại và phát hiện bất thường (ban đầu dành cho dự báo lũ lụt).

AssetOpsBench - Công nghiệp 4.0: Một bộ benchmark và framework thống nhất để xây dựng, điều phối và đánh giá các AI agent chuyên domain cho hoạt động và bảo trì tài sản Công nghiệp 4.0, với hơn 460 kịch bản, 5 agent chuyên gia (IoT, FMSR, TSFM, Work Order,...) và các bản thiết kế điều phối đa agent (MetaAgent, AgentHive) qua MCP.

Mã nguồn chính thức cho "iTransformer: Inverted Transformers Are Effective for Time Series Forecasting" (ICLR 2024 Spotlight)

[ICLR 2024] Bản cài đặt chính thức của "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"

[Đề cử Bài báo xuất sắc nhất PVLDB 2024] TFB: Hướng tới việc đánh giá chuẩn toàn diện và công bằng cho các phương pháp dự báo chuỗi thời gian

Lag-Llama: Hướng tới các mô hình nền tảng cho dự báo chuỗi thời gian xác suất

Đào tạo thống nhất các Transformer dự đoán chuỗi thời gian toàn cầu

Thư viện Python hỗ trợ dự báo chuỗi thời gian bằng cách sử dụng các mô hình tương thích scikit-learn, các phương pháp thống kê và các mô hình nền tảng (foundation models)

Danh sách tổng hợp các bài báo và mã nguồn về chuỗi thời gian mới nhất từ các hội nghị AI hàng đầu.

Danh sách các bài báo, mã nguồn và tài nguyên khác

Tóm tắt công việc về chuỗi thời gian tại các hội nghị hàng đầu về Khoa học Máy tính (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, v.v.)

[ICLR 2025 Spotlight] Mã nguồn chính thức của "Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts"

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

[TPAMI 2024] Tài nguyên tổng hợp về GNN cho phân tích chuỗi thời gian (GNN4TS)

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

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.

Tài nguyên để làm việc với dữ liệu chuỗi thời gian và dữ liệu trình tự

Client và bộ công cụ Python cho DataFrames, Big Data, Machine Learning và ETL trong Elasticsearch.

Dự báo tải điện tại Delhi sử dụng các mô hình ARIMA, RNN, LSTM và GRU.

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.