最佳时间序列AI工具合集 - 实用项目与软件推荐
Time-Series-Library入门指南-先进深度时间序列模型库
Time-Series-Library是一个开源的深度时间序列分析库，提供了多种先进的深度学习模型，涵盖长短期预测、插值、异常检测和分类等多项任务，是时间序列分析研究的重要工具。
darts入门学习资料 - 简化Python时间序列预测和异常检测的库
darts是一个用户友好的Python库，用于时间序列预测和异常检测。本文汇总了darts的主要学习资源，帮助读者快速入门和深入学习这个强大的时间序列处理工具。
Chronos-forecasting学习资料汇总 - 基于语言模型的时间序列预测框架
Chronos是亚马逊推出的基于语言模型架构的预训练时间序列预测模型家族。本文汇总了Chronos-forecasting项目的各类学习资源,包括官方文档、代码仓库、论文、教程等,帮助读者快速了解和上手这个强大的时间序列预测工具。
STUMPY: 强大的Python时间序列分析库
STUMPY是一个功能强大且可扩展的Python库,用于高效计算矩阵概况,可以快速识别时间序列中的模式、异常和相似性。它为各种时间序列数据挖掘任务提供了简单而强大的工具。
wxee: 连接Earth Engine和xarray的强大Python工具
wxee是一个创新的Python库,为处理时间序列栅格数据提供了便捷的接口,将Google Earth Engine的数据目录和处理能力与xarray的灵活性无缝集成。
TagAnomaly: 微软开源的多时间序列异常检测标记工具
TagAnomaly是微软开发的一款开源工具,专门用于多个时间序列(每个类别一个时间序列)的异常检测分析和标记。它提供了直观的可视化界面,支持交互式异常点标记,并能与其他时间序列进行比较分析,是一款功能强大的时间序列异常检测辅助工具。
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。
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。
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。
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。
PyPOTS: 一个用于部分观测时间序列数据挖掘的Python工具箱
PyPOTS是一个开源的Python库,专门用于对多变量部分观测时间序列(即含有缺失值的不完整时间序列)进行数据挖掘和分析。它提供了多种算法,可用于缺失值填补、分类、聚类、预测和异常检测等任务。
TSFEL: 强大易用的时间序列特征提取Python库
TSFEL是一个直观且功能强大的Python库,用于从时间序列数据中提取特征。它提供了超过65种不同的特征提取算法,涵盖统计、时域、频域和分形等多 个领域,可以帮助研究人员快速高效地进行时间序列数据的特征工程。
plotly-resampler: 高效可视化大规模时间序列数据的强大工具
plotly-resampler是一个基于Plotly的Python库,旨在提高大规模时间序列数据的可视化效率和交互性。它通过动态聚合数据,使得用户可以流畅地可视化和探索包含数百万个数据点的时间序列。
PlotJuggler: 强大而直观的时间序列可视化工具
PlotJuggler是一款快速、功能强大且直观的时间序列可视化工具，适用于多个领域，包括机器人、自动驾驶、数据科学和嵌入式系统等。
时间序列自监督学习综述：分类、进展与展望
本文全面综述了时间序列自监督学习的最新进展,系统地介绍了相关方法的分类、代表性工作及应用,并展望了未来研究方向。
交通预测:利用人工智能预测交通流量和拥堵
交通预测是利用历史数据和机器学习技术来预测未来一段时间内道路网络的交通流量和拥堵情况。本文介绍了交通预测的基本概念、常用方法和最新研究进展。
tsmoothie: 高效的时间序列平滑和异常检测Python库
tsmoothie是一个用于时间序列平滑和异常检测的Python库,它以向量化的方式高效处理单个或多个时间序列数据。该库提供了多种平滑技术和间隔计算方法,可用于识别时间序列中的异常值和异常模式。
时序数据分析的新纪元:大型语言模型与基础模型在时间序列与时空数据分析中的应用
本文全面综述了大型语言模型(LLM)和基础模型(FM)在时间序列和时空数据分析中的最新进展,包括各种应用场景、关键技术和未来趋势,为该领域的研究者和实践者提供了宝贵的参考。
dtaidistance: 高效的动态时间规整算法实现
dtaidistance是一个用于时间序列距离计算的Python库,提供了高效的动态时间规整(DTW)算法实现。本文将介绍该库的主要功能、使用方法及其在时间序列分析中的应用。
AI在时间序列分析中的应用:最新进展与未来趋势
本文全面综述了人工智能在时间序列分析领域的最新研究成果,涵盖预测、异常检测、分类等多个任务,并探讨了未来发展趋势。
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