值得探索的AI开源项目：工具、网站与应用合集
TS-TCC: 时间序列表示学习的新范式
本文深入探讨了TS-TCC(Time-Series representation learning via Temporal and Contextual Contrasting)这一创新的时间序列表示学习框架,详细介绍了其原理、实现和应用,展示了该方法在无监督学习、少样本学习和迁移学习等场景下的卓越性能。
Scalecast: 实用型时间序列预测库
Scalecast是一个功能强大的Python库,专为时间序列预测而设计。它提供了自动化模型选择、模型优化、数据处理流水线、可视化和报告等丰富功能,旨在简化复杂的预测任务,帮助数据科学家和分析师更高效地进行时间序列分析。
anomalize: 一个高效的异常检测R包
anomalize是一个用于时间序列异常检测的R包,它提供了一个整洁(tidy)、可扩展的工作流程,可以轻松地对单个或多个时间序列进行异常检测。
catch22: 高效提取时间序列特征的开源工具包
catch22是一个用于从时间序列数据中提取22个关键特征的开源工具包,它提供了高效的C语言实现以及Python、R、Matlab和Julia等多种编程语言的接口。本文介绍了catch22的基本原理、主要功能以及在时间序列分类等任务中的应用。
Warp 10: 最先进的时间序列平台
Warp 10是一个为物联网设计的开源模块化平台,用于收集、存储和分析传感器数据。它提供了时间序列数据库和强大的分析环境,可以单独使用或结合使用。
tsfeatures：强大的时间序列特征提取工具
tsfeatures是一个用于从时间序列数据中提取各种特征的开源Python库,它是R语言tsfeatures包的Python实现。该库提供了丰富的特征提取功能,可用于时间序列分析、预测和分类等任务。
McFly：创新的深度学习时间序列分析工具
McFly是一个强大的深度学习工具，专门用于时间序列分类和回归任务。它由荷兰eScience中心(Netherlands eScience Center)开发，旨在简化复杂时间序列数据的分析过程，为研究人员和数据科学家提供了一个便捷而高效的解决方案。
UniTS: 构建统一时间序列模型的突破性研究
UniTS是一个革命性的统一时间序列模型，能够处理跨多个领域的各种任务，具有共享参数和无任务特定模块的特点。本文深入探讨了UniTS的创新设计、强大功能和广泛应用前景。
Sequitur: 简化序列数据自编码器的强大工具
Sequitur是一个开源Python库,只需几行代码即可创建和训练序列数据的自编码器。本文详细介绍了Sequitur的特点、使用方法和主要模型,助您快速上手这一强大的序列数据处理工具。
tsflex: 灵活高效的时间序列处理与特征提取工具包
tsflex是一个用于时间序列处理和特征提取的Python工具包,专注于性能和灵活性,可广泛应用于各种时间序列数据分析场景。
使用深度神经网络进行股票预测
本文介绍了如何使用长短期记忆(LSTM)神经网络对股票价格进行预测。文章详细讲解了数据获取、预处理、模型构建和训练的全过程,为读者提供了一个完整的股票预测案例。
非平稳Transformers: 探索时间序列预测中的平稳性
本文介绍了一种新的非平稳Transformers框架,用于解决时间序列预测中的非平稳性问题。该框架通过序列平稳化和去平稳注意力机制,有效提高了模型对非平稳时间序列的预测能力,在多个基准数据集上取得了最先进的性能。
深度学习在时间序列预测中的应用与进展
本文全面介绍了深度学习在时间序列预测领域的最新研究进展,包括各种深度学习模型、基础模型及其在时间序列预测中的应用,探讨了深度学习方法相对于传统方法的优势,以及未来研究方向。
BasicTS: 一个公平和可扩展的时间序列预测基准和工具包
BasicTS是一个开源的时间序列预测基准和工具包,旨在提供公平和全面的模型评估,以及便捷的新模型开发环境。它支持多种数据集和基线模型,为时间序列预测研究提供了标准化的评估平台。
pyRiemann:基于黎曼几何的多变量数据机器学习Python库
pyRiemann是一个基于scikit-learn API的Python机器学习库,它提供了一个高级接口,用于通过对称正定矩阵的黎曼几何来处理和分类实值(或复值)多变量数据。该库主要面向脑电图等生物信号的处理和分类,但也可用于其他多变量数据分析任务。
Temporian: 安全、简单、高效的时序数据处理库
Temporian是一个开源的Python库,专门用于预处理和特征工程时序数据,为机器学习应用提供支持。它支持多变量时间序列、事件日志和跨源事件流等多种类型的时序数据。
Auto_TS: 一款强大的自动化时间序列预测工具
Auto_TS是一个Python时间序列预测库,能够自动构建和选择多种时间序列模型,包括ARIMA、SARIMAX、VAR、Prophet等统计和机器学习模型,只需一行代码即可完成复杂的时间序列建模任务。
Luminaire: 一个用于时间序列异常检测的强大Python库
Luminaire是一个开源的Python库，专为时间序列数据的异常检测和监控而设计。它提供了多种基于机器学习的解决方案，可以自动处理复杂的时间序列模式，包括相关性、季节性和长期变化。
hctsa: 高度比较时间序列分析的强大工具包
hctsa是一个综合性的时间序列分析软件包,包含数千种时间序列分析方法。它能将时间序列转换为包含大量信息特征的向量,用于各种时间序列分类和预测任务。
mlforecast: 可扩展的机器学习时间序列预测框架
mlforecast是一个用于时间序列预测的开源机器学习框架,它使用机器学习模型进行快速、准确和可扩展的预测。通过简化特征工程和模型训练流程,mlforecast让数据科学家可以专注于模型选择和特征设计,而无需关注复杂的实现细节。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号