#时间序列

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。

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。

NxSignal是基于Elixir Nx框架的数字信号处理库，适用于音频处理和时间序列分析。它提供傅里叶变换、FIR和IIR滤波器等经典工具，通过Nx.Defn实现多后端兼容。这个开源项目为开发者提供了灵活的信号处理工具，支持各种实验性应用。

Merlion是一个功能丰富的Python时间序列分析库,集成了预测、异常检测和变点检测等多项能力。它支持单变量和多变量时间序列,提供标准化数据处理、多种算法模型、自动调参、外部变量支持等特性。Merlion还包含实用的后处理规则和灵活的评估流程,可帮助快速开发和基准测试时间序列模型。

pyoats是一个专注于时间序列异常检测的开源Python库。它整合了多种先进检测算法，支持单变量和多变量时间序列分析，并提供统一的输出接口。该项目不仅集成了PyTorch、TensorFlow等深度学习框架，还包含传统统计方法。pyoats旨在简化异常检测实验流程，为数据科学家和工程师提供了一个功能丰富、使用灵活的工具。

这是一个汇集时间序列研究最新进展的资源库，整合了多领域的论文、代码和会议信息。项目涵盖多变量预测、概率预测、数据插补和异常检测等任务，提供详细的论文分类和方法总结。同时收录了相关数据集和开源代码，为时间序列研究提供全面的参考。

该项目汇集了丰富的时间序列和序列数据处理资源。涵盖Python、R、Java等多种语言的工具库，内容包括特征工程、分割、增强和可视化等方面。同时收录了相关数据库、标注工具、学术论文、开源模型、书籍和课程，为时间序列分析提供全面参考。

Kaskada是开源统一事件处理引擎，提供高级声明式查询语言，支持批量和实时事件分析。基于SQL优化设计，具备状态聚合、自动连接和事件窗口等功能，简化复杂时序数据处理。采用Rust语言和Apache Arrow技术，高效执行各类分析任务。

eplot是一款Emacs插件，专门用于生成交互式数据可视化图表。该工具支持多种图表类型，包括时间序列图、散点图和条形图等。eplot提供了丰富的自定义选项，如颜色渐变、背景图像和网格线设置，用户可通过简单命令或文件头部配置轻松调整图表外观。此外，eplot还支持CSV文件导入、多数据集绘制和日期时间格式处理，为Emacs用户提供了一个功能强大且灵活的数据可视化解决方案。

sktime-dl项目正在整合到sktime框架中，作为其mini-packages的一部分。原sktime-dl的大多数估计器现已迁移至sktime的深度学习分类和回归模块。项目鼓励开发者参与剩余部分的迁移工作，相关贡献指南可在sktime GitHub仓库的规划问题中查阅。这一变更旨在整合和优化时间序列分析工具，为用户提供更统一的体验。

PyStore是专为Pandas时间序列数据设计的快速存储库。它利用Pandas、Numpy、Dask和Parquet技术，实现高效的数据存储和查询。支持本地文件系统，每秒可处理数百万行数据。PyStore提供集合管理、快照和元数据查询功能，适合大规模时间序列数据的存储和分析。

dygraphs是一个专注于时间序列数据可视化的JavaScript图表库。该库支持交互式缩放和平移、误差带显示、鼠标悬停值展示等功能，无需依赖外部服务器或Flash。dygraphs易于集成，兼容Google Visualization API，并提供丰富的自定义选项。这使其成为需要高性能、灵活的时间序列数据展示的Web应用的理想选择。

tsmoothie是一个Python库，专门用于时间序列平滑和异常检测。它提供多种平滑技术，包括指数平滑、卷积平滑和谱平滑等，能高效处理单个或多个时间序列。该库支持计算置信区间，便于识别异常值，并实现了滑动窗口平滑和时间序列bootstrap功能。tsmoothie适用于各类时间序列分析任务，是数据科学家和分析师的有力工具。

这个项目汇总了时间序列数据自监督学习的最新研究资源,包括相关论文、代码和数据集。资源分为生成式和对比式两大类方法,涵盖了自回归预测、自编码重构、扩散模型生成、采样对比、预测对比和增强对比等技术。该资源列表为时间序列自监督学习研究提供了全面的参考材料。

tsfresh是一个开源Python库，专注于时间序列数据的自动特征提取。它集成了统计学、时间序列分析、信号处理和非线性动力学的算法，并提供了特征选择机制。该工具可处理多种采样数据和事件序列，提供100多种预定义特征，并通过内置过滤程序评估特征重要性。tsfresh支持回归和分类任务，兼容sklearn、pandas和numpy，可在本地或集群环境运行，为时间序列分析提供了高效解决方案。

TSFEL是一个开源的Python库，专门用于时间序列特征提取。该库提供超过65种特征，覆盖统计、时间、频谱和分形等多个领域。TSFEL支持在线和离线使用，具有用户友好的界面和完整的文档。它注重计算效率，并提供复杂度评估功能。TSFEL的设计易于扩展，支持添加自定义特征。这个库适用于研究人员和数据科学家，能够简化时间序列特征提取的过程。

aeon是一个开源时间序列学习框架，兼容scikit-learn，集成最新和经典的机器学习算法。支持预测、分类等任务，采用numba实现高效计算，并提供统一接口便于算法比较。该框架涵盖广泛的时间序列算法，持续更新最新研究成果，适用于Python 3.9及以上版本。

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。

dtaidistance是一个高效的时间序列距离计算Python库。它提供纯Python和优化的C实现,支持动态时间规整(DTW)等算法。该库与NumPy和Pandas兼容,避免了不必要的数据复制。支持多维时间序列、子序列搜索和聚类。dtaidistance为时间序列分析和机器学习提供了快速的距离计算工具,是处理时序数据的理想选择。

这是一个全面收录人工智能在时间序列分析(AI4TS)领域最新研究成果的资源库。项目汇集了顶级AI会议和期刊发表的论文、教程和综述，涉及时间序列、时空数据、事件数据等多个方面。资源库实时更新NeurIPS、ICML、KDD等重要会议的相关论文，为AI4TS领域的研究人员和工程师提供了丰富且及时的学术参考。

这个项目对交通预测领域的多种模型和数据集进行了系统的比较分析。它汇总了近期发表的相关论文,详细介绍了METR-LA、PeMS-BAY等常用公开数据集。项目提供了各模型在主要数据集上的性能对比图表,并探讨了实验设置的差异。同时,它还整理了可公开获取的数据集及其来源信息,为交通预测研究提供了有价值的参考资料。

Cal-Heatmap是一个开源JavaScript库，专门用于创建时间序列日历热图。该库提供多种自定义功能，如动画日期导航、时间间隔设置和布局控制等。Cal-Heatmap支持插件系统，适配多种浏览器，并可实现从右到左的布局。它能够生成类似GitHub贡献日历的可视化图表，但功能更为丰富。这个库适合需要展示时间相关数据的开发项目使用。

该项目汇集了用于时间序列、时空数据和事件数据分析的大型语言模型及基础模型资源。内容全面涵盖了最新研究进展，包括论文、代码和数据集。涉及领域包括通用时间序列分析、交通、金融、医疗等多个应用方向，以及事件分析、时空图和视频数据等相关主题。项目为研究人员和实践者提供了一个综合性资源库，并持续更新最新成果。

chartjs-chart-financial是Chart.js的金融图表扩展模块，用于绘制蜡烛图和OHLC图。该模块优化了时间轴处理，可自动选择适当的时间标签，并利用canvas实现高性能绘图。它支持多种插件，包括缩放、十字准线和实时数据流等，为开发者提供了功能全面的JavaScript金融图表解决方案。

Tempo是一个基于PySpark的开源时间序列数据处理工具库。它为Databricks上的数据团队提供了一套抽象和函数，简化了时间序列数据的操作和分析。Tempo扩展了PySpark的功能，通过易用的API支持复杂的时间序列分析任务。这个工具库适用于需要在大规模数据集上进行高效时间序列处理的场景。

flot-downsample是一个开源的数据降采样插件，基于LTTB算法开发。该插件能在保留数据视觉特征的同时显著减少数据点，提高大规模数据集的渲染效率。虽最初为Flot图表库设计，但LTTB算法已广泛应用于多种编程语言和框架，适用于大规模时间序列数据的高效处理和可视化场景。特别适用于金融数据分析、传感器数据监控等需要处理海量时间序列数据的领域，能显著提升图表加载速度和交互性能。

TSBS是一个开源的时间序列数据库基准测试工具集,支持多种主流数据库如TimescaleDB和InfluxDB。它可模拟DevOps和IoT场景,生成测试数据并评估数据写入和查询性能。TSBS提供了完整的测试流程,包括数据生成、加载和查询执行,有助于用户全面评估和选择最适合需求的时间序列数据库。

PyPOTS是一个专注于部分观测时间序列(POTS)机器学习的Python工具箱。它集成了经典和前沿算法，支持数据插补、分类、聚类、预测和异常检测等任务。该工具箱提供统一API、详细文档和交互示例，简化POTS数据处理流程。PyPOTS支持多种神经网络模型，并具备超参数优化功能，为时间序列分析提供综合解决方案。

LLM4TS项目整理了时间序列分析领域中大型语言模型和基础模型的最新研究。主要内容包括时间序列LLM的进展、专用基础模型、数据集和重要发现。此外，项目还涵盖了预训练时间序列模型和LLM在推荐系统等相关领域的应用，为研究和实践提供了丰富的资源。