Project Icon

tsfeatures

时间序列特征提取的Python工具库

tsfeatures是一个Python库,用于计算时间序列数据的多种特征。作为R语言tsfeatures包的Python实现,它提供了自相关、异方差、熵、平稳性等统计指标的计算功能。该库支持自定义特征函数和处理不同频率的时间序列数据,并允许与R版本结果进行对比。tsfeatures适用于需要进行时间序列分析和建模的数据处理场景。

Time-Series-Works-Conferences - 全面的时间序列研究与预测资源集合
Github开源项目数据分析时间序列机器学习深度学习预测
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。
darts - Python中易于使用的时间序列预测与异常检测库
DartsGithub开源项目异常检测时间序列概率预测深度学习
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。
kshape-python - 高效精准的时间序列聚类算法
Githubk-Shape开源项目数据挖掘无监督学习时间序列聚类机器学习
kshape-python是一种用于单变量和多变量时间序列聚类的高效无监督算法。该方法在ACM SIGMOD 2015会议上获得最佳论文奖,已在多个科学领域和知名企业中广泛应用。kshape-python在准确性和效率方面表现出色,在包含100多个数据集的基准测试中名列前茅。该项目提供CPU和GPU版本实现,可处理大规模时间序列数据。项目提供详细的安装说明、使用示例和基准测试结果,支持单变量和多变量时间序列数据,可在CPU或GPU上运行。该方法在UCR和UAE两个established benchmarks上进行了评估,展示了其在不同数据集上的性能。
awesome-python-data-science - Python数据科学资源集合,详解机器学习与深度学习工具
GithubPython工具库开源项目数据科学机器学习深度学习
该项目收集了全面的Python数据科学资源,包括机器学习、深度学习、自动化机器学习、自然语言处理、计算机视觉、时间序列分析和强化学习等领域的开源库。从通用型机器学习算法到深度学习框架(如PyTorch和TensorFlow),再到特征工程和数据可视化,用户可以找到适用于各种数据分析和建模需求的工具。项目旨在帮助数据科学家和工程师高效选择工具,以提高开发和分析效率。
sktime-dl - 时间序列分析工具的演变
Githubsktime代码迁移开源项目时间序列机器学习深度学习
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。
microprediction - 多功能时间序列预测和优化开源工具集
Githubmicroprediction开源项目时间序列预测算法优化金融预测
microprediction是一个综合性开源项目集,专注于时间序列预测和优化。该项目提供多个Python库,包括humpDay、timemachines和precise,分别用于无导数优化器评估、增量时间序列预测和协方差估计。这些工具能帮助提高预测精度和模型性能。项目还包含丰富的基准测试和评估工具,便于比较不同方法的效果。适用于数据科学研究和实际应用场景。
UniTS - 统一时间序列模型实现多领域任务处理
GithubUniTS多任务学习开源项目时间序列模型迁移学习零样本学习
UniTS是一种统一的时间序列模型,可处理多领域的分类、预测、插补和异常检测任务。该模型使用共享参数方法,无需任务特定模块,在38个多领域数据集上表现优异。UniTS具有零样本、少样本和提示学习能力,能适应新的数据领域和任务。其创新的统一网络主干融合了序列和变量注意力机制以及动态线性运算符,为时间序列分析提供了灵活的解决方案。
UnsupervisedScalableRepresentationLearningTimeSeries - 多变量时间序列的无监督可扩展表示学习方法
GithubPyTorchUCR数据集UEA数据集开源项目无监督学习时间序列表示学习
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。
neuralforecast - 先进的神经网络时间序列预测模型库
GithubNeuralForecast开源项目时间序列机器学习深度学习预测模型
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。
timeshap - 针对循环模型的时序数据解释框架
GithubShapley值TimeSHAP序列扰动开源项目模型解释递归模型
TimeSHAP是一个基于KernelSHAP的模型无关解释框架,专门用于分析时序数据和循环模型。它提供事件、特征和单元级别的归因计算,并通过Shapley值剪枝算法识别关键决策事件。TimeSHAP支持多种解释方法,包括局部和全局层面的分析,可应用于符合特定接口的各类机器学习模型,如PyTorch和TensorFlow实现的模型。
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。

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