time-series

Hệ thống giám sát và quản lý môi trường

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.

Bộ công cụ machine learning dành cho phân tích chuỗi thời gian bằng Python

Danh sách các công cụ và tập dữ liệu để phát hiện bất thường trên dữ liệu chuỗi thời gian.

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"

Máy chủ Deep Learning và CLI dành cho Torch và TensorRT

Các thuật toán phát hiện ngoại lệ, đối kháng và trôi dạt dữ liệu

[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

Mã nguồn phát hành cho "Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008

GridDB là cơ sở dữ liệu mã nguồn mở thế hệ mới giúp xử lý dữ liệu lớn và IoT chuỗi thời gian nhanh chóng, dễ dàng.

Framework mã nguồn mở để xử lý, giám sát và cảnh báo dữ liệu chuỗi thời gian

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).

Một gói Python dùng để dự báo Bayes với thiết kế hướng đối tượng và các mô hình xác suất bên dưới.

Một bộ công cụ/thư viện Python dành cho học máy/học sâu hướng thực tế & khai thác dữ liệu trên chuỗi thời gian quan sát một phần, với hơn 50 mô hình mạng nơ-ron SOTA cho các tác vụ phân tích khoa học (gán giá trị, phân loại, phân cụm, dự báo, phát hiện bất thường, làm sạch) trên chuỗi thời gian đa biến không hoàn chỉnh được lấy mẫu bất thường trong công nghiệp với các giá trị thiếu NaN

Crane là một nền tảng FinOps dành cho phân tích tài nguyên đám mây và kinh tế trong các cụm Kubernetes. Mục tiêu không chỉ giúp người dùng quản lý chi phí đám mây dễ dàng hơn mà còn đảm bảo chất lượng của các ứng dụng.

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

Bộ công cụ Python giúp thu nhận thông tin chi tiết về hình học từ dữ liệu đa chiều

Một gói Python dùng để phân loại chuỗi thời gian

Kho lưu trữ mã nguồn cho Mạng Hằng số Thời gian Lỏng (LTCs)

Một bộ công cụ và điểm chuẩn dự báo chuỗi thời gian công bằng và có khả năng mở rộng.

Cơ sở dữ liệu chuỗi thời gian phân tán mã nguồn mở, gốc đám mây với hiệu suất cao, tỷ lệ nén cao và độ sẵn sàng cao.

[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

Một thư viện thống kê được thiết kế để lấp đầy khoảng trống trong các khả năng phân tích chuỗi thời gian của Python, bao gồm cả hàm tương đương với auto.arima của R.

Trí tuệ nhân tạo, Học máy và Học sâu tuyệt vời qua quá trình chúng tôi học tập. Ghi chú học tập và danh sách tổng hợp các tài nguyên tuyệt vời về các chủ đề này.

Khám phá nhân quả trong Python. Học tính nhân quả từ dữ liệu.

Trình tạo dữ liệu tổng hợp cho dữ liệu bảng và chuỗi thời gian

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