timeseries

应用于时间序列的 Transformer 模型实现（源自 Attention is All You Need）。

tfts：TensorFlow 中的时间序列深度学习模型

异常检测方法集合（IID/基于点、图和时间序列），包含用于异常检测/发现的主动学习、贝叶斯规则挖掘、多样性/解释性/可解释性描述。分析结合标签反馈与集成及基于树的检测器。包含使用 Graph Convolutional Network 的对抗攻击。

📈 适用于 Node.js 与浏览器的 InfluxDB 客户端

采用经典架构的 Graphite/Carbon 服务器 Golang 实现：Agent -> Cache -> Persister

用于绘制金融证券图表的 Chart.js 模块

InfluxDB 2.0 Python 用戶端

结合统计与计量经济学方法的概率型阶层预测 👑。

高质量专业音频重采样器 / 采样率转换表头档限定（header-only）C++ 库。非常快速，适用于音频重采样与时间序列插值。

在 Python 中使用 Keras 搭配 LSTM 循环神经网络进行多重多元时间序列预测的示例。

直观的数据工作流程

用于回声状态网络等水库计算架构的简单且灵活的代码

在 `tidyverse` 中的时间序列分析

针对 Pandas 时间序列数据的快速数据存储库

论文“A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series”的代码库。

针对时间序列指标的实时异常检测。具备 11 年的生产环境异常检测演进经验，采用多算法集成、基于半监督与非监督式学习的模式识别，以及相关性分析。能随时间学习并持续优化。无需 GPU，可在 VPS 上运行。

Modeltime 在单一框架中整合了时间序列预测模型与机器学习。

使用盲文点阵在终端绘图

用于 Python 中 Kepler 与 TESS 时间序列分析的友好套件。

SiriDB 是一款高扩展性、强大且超快速的时间序列数据库。SiriDB 从底层构建，使用独特的机制在没有全局索引的情况下运作，并允许即时新增服务器资源。SiriDB 独特的查询语言包含时间序列的动态分组，便于对大量时间序列进行分析。