Darts是一个用户友好且灵活的Python库，专注于时间序列的预测与异常检测。它提供了一系列从ARIMA到深度神经网络的多样化模型，通过统一的fit()和predict()接口简化操作，类似于scikit-learn。此外，Darts支持包括多变量和外部数据在内的复杂时间序列处理，并为大规模数据集提供高效解决方案。它还拥有全面的异常检测功能，允许进行深入的异常分析和评分。

TSLib为深度学习研究者提供了一个专业开源时间序列分析库，涵盖广泛的应用领域，如长短期预测、数据填充、异常检测和分类。本库提供清晰的代码基础，支持时间序列模型的评估与开发，包括最新的模型评估和深度时间序列研究成果。该工具适合科研和开发人员使用，以推动时间序列分析的未来研究与实践。

NeuralForecast 提供 30 多种先进的神经网络模型，提升时间序列预测的准确性和效率。支持外生变量和静态协变量，并具备自动超参数优化和可解释性方法。通过 sklearn 语法 `.fit` 和 `.predict` 实现快速训练和预测，包含 NBEATSx 和 NHITS 等最新实现，并与 Ray 和 Optuna 集成，适用于多种应用场景。

本项目专业整理了Transformers在时序数据建模中的资源，涵盖论文、代码和数据，全面总结其最新进展。内容持续更新，开放问题提交和拉取请求，覆盖时序预测、不规则时序建模、异常检测和分类等领域，适合学术研究及实际应用。

UniRepLKNet项目提出了一个适用于图像、音频、视频、点云和时间序列的大核卷积网络统一架构。通过提供四个设计大核卷积网络的架构指南，显著提升了多模态数据的识别性能。特别是在全球温度和风速预测等挑战性的时间序列预测任务中，UniRepLKNet表现优异，超过了现有系统。这一项目不仅重振了卷积神经网络在传统领域的表现，还展示了其在新兴领域的广泛应用潜力。

TFTS（TensorFlow Time Series）是一个易用的时间序列预测工具包，支持TensorFlow和Keras中的经典及前沿深度学习方法。适用于预测、分类及异常检测任务。提供适应工业、研究和竞赛所需的深度学习模型，配有详尽文档和教程，帮助用户快速入门。

本项目持续更新，介绍了数据科学和机器学习各个主题。内容涵盖深度学习、模型部署、运筹学和强化学习等，提供Jupyter Notebook格式教程，结合Python科学栈（如numpy、pandas）和开源库（如scikit-learn、TensorFlow、PyTorch）进行教学示范，平衡数学符号与实际应用。

Anomaly-Transformer是一种时间序列异常检测模型，利用关联差异作为可区分标准，并结合Anomaly-Attention机制和极小极大策略提高检测效果。该模型在多个基准数据集上展现出优秀性能，为无监督时间序列异常检测领域提供了新的解决方案。

Chronos是一款基于语言模型架构的预训练时间序列预测工具。它通过量化处理将时间序列转换为标记序列，并使用大规模的公开和合成数据进行训练。Chronos模型在零样本场景中表现优异，提供从预测到嵌入提取的完整解决方案。通过AutoGluon，用户可轻松进行模型集成和云端部署，提升预测性能和应用的灵活性。