Logo
Project Icon

UnsupervisedScalableRepresentationLearningTimeSeries

多变量时间序列的无监督可扩展表示学习方法

时间序列表示学习无监督学习PyTorchUCR数据集UEA数据集Github开源项目

UnsupervisedScalableRepresentationLearningTimeSeries项目提出了一种无监督可扩展表示学习方法,专门用于处理多变量时间序列数据。该方法基于三元组损失训练编码器,能够处理等长或不等长时间序列。项目提供了UCR和UEA数据集实验代码,包括迁移学习和稀疏标记实验。此外,还包含预训练模型和结果可视化工具。在多个基准数据集上,该方法展现出优秀的性能,为时间序列分析领域提供了创新解决方案。

GithubGithub论文论文
介绍相关项目
granite-timeseries-ttm-r2 - IBM开源轻量级模型TTM引领时间序列预测新方向
GithubHuggingfaceTinyTimeMixers多变量预测开源项目时间序列预测模型零样本学习预训练模型
IBM Research开源的TinyTimeMixers (TTM)模型仅需1M参数,就能在多变量时间序列预测中超越数十亿参数的基准。TTM支持零样本预测,也可用少量数据微调达到竞争性能。适用于分钟至小时级别的点预测,轻量快速,单GPU或笔记本即可运行。TTM为时间序列预测带来新方向,尤其适合资源受限环境。
Informer2020 - 长序列时间序列预测的高效解决方案
ETT数据集GithubInformerProbSparse Attention开源项目时间序列预测高效Transformer
Informer引入ProbSparse注意机制，大幅提升长序列时间序列预测的效率和精度。该模型利用概率分布选择活跃查询，避免冗余计算，适用于多种数据集，并在AIJ和AAAI'21获奖。提供详细的实验设置、Colab示例和数据下载链接，帮助用户快速上手并复现结果。
CEEMDAN_LSTM - CEEMDAN与LSTM结合的时序预测模型
CEEMDAN_LSTMGithub开源项目数据分解时间序列预测神经网络金融预测
CEEMDAN_LSTM是一个Python模块，结合完整集成经验模态分解(CEEMDAN)和长短期记忆(LSTM)神经网络进行时序预测。该项目提供多种预测方法和评估工具，支持灵活的参数设置，适用于金融等领域的复杂时序数据分析。它简化了分解集成预测的实现过程，有助于研究人员和数据分析师快速构建和优化预测模型。CEEMDAN_LSTM支持多种预测方法，包括单一、集成、分别和混合预测等。它还提供了统计测试、热图绘制和DM测试等模型评估工具，有助于全面分析预测结果。
awesome-time-series-segmentation-papers - 时间序列分割技术论文精选与代码实现
Github变点检测开源项目数据挖掘时间序列分割机器学习语义分割
该项目汇集了时间序列分割领域的经典算法和最新研究成果,涵盖单变量、多变量和张量时间序列的分割方法。内容包括无监督语义分割、变点检测等技术,并提供相关代码实现和数据集链接。这一资源对时间序列处理和模式识别研究具有重要参考价值。
Awesome-GNN4TS - 时间序列分析中图神经网络的研究进展与应用
GNNGithub图神经网络开源项目时间序列分析机器学习深度学习
本项目汇集图神经网络(GNN)在时间序列分析领域的研究进展和资源,涵盖预测、分类、异常检测和插值等任务。内容包括相关论文、数据集和应用概述,以及面向任务和模型的GNN4TS分类方法,为该领域研究和应用提供参考。
mlforecast - 高性能可扩展的机器学习时间序列预测框架
GithubMLForecast分布式训练开源项目时间序列预测机器学习特征工程
mlforecast是一个基于机器学习模型的时间序列预测框架,具有高效的特征工程实现和良好的可扩展性。该框架支持pandas、polars、spark等多种数据格式,兼容sklearn API,能够处理海量数据。除了支持概率预测和外生变量,mlforecast还提供分布式训练功能,适用于大规模生产环境的时间序列预测任务。框架采用熟悉的fit和predict接口,便于快速上手和集成到现有项目中。
moment - 时间序列分析基础模型 多任务多领域应用
GithubMOMENT基础模型多任务开源项目时间序列预训练
MOMENT是一个开源的时间序列分析基础模型家族，为多任务、多数据集和多领域应用而设计。该模型在大规模时间序列数据上预训练，可处理预测、分类、异常检测和插补等任务。MOMENT能捕捉时间序列的内在特征，学习有意义的数据表示，在少量标记数据的情况下也表现出色。项目提供预训练模型、教程和研究代码，为时间序列分析提供了实用工具。
TimeMoE-50M - 混合专家时间序列预测基础模型 提升大规模数据分析能力
GithubHuggingfaceTimeMoE基础模型开源项目时间序列预测模型深度学习混合专家模型
TimeMoE-50M是一个基于混合专家(MoE)架构的时间序列预测基础模型，专为处理十亿规模数据而设计。此模型旨在优化大规模时间序列分析的准确性和效率。开发者可在GitHub页面上找到详细的使用指南和实现方法，有助于将其整合到各类时间序列分析项目中，提升预测能力。
ttt-lm-pytorch - 基于测试时训练的高表达能力RNN模型
GithubRNNTTT序列建模开源项目机器学习隐藏状态
ttt-lm-pytorch项目提出了一种新型序列建模层，结合了RNN的线性复杂度和高表达能力的隐藏状态。该方法将隐藏状态设计为机器学习模型，通过自监督学习在测试阶段持续更新，因此被称为测试时训练（TTT）层。项目实现了TTT-Linear和TTT-MLP两种变体，分别采用线性模型和双层MLP作为隐藏状态，为长序列建模提供了高效替代方案。
iTransformer - 用于多变量时间序列预测的iTransformer模型
GithubTransformer模型iTransformer多变量预测开源项目时间序列预测高效注意力机制
iTransformer是一种用于多变量时间序列预测的开源模型，无需修改任何Transformer模块。它在处理大规模数据时表现出色，具备显著的性能提升和强大的泛化能力。iTransformer已在多种基准测试中表现优异，支持静态协变量和概率发射头。用户可通过pip安装，并使用项目提供的详细训练和评估脚本。更多信息请参阅官方论文。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号