Timer: Generative Pre-trained Transformers Are Large Time Series Models开源项目 – 大型生成预训练变换器用于时间序列数据

Plus AI每周Google Analytics报告自动化工具，帮助用户节省时间，避免重复的图表复制和幻灯片格式化，允许用户将更多精力投入到数据分析和故事讲述中。

The Predictor 是一个精简的工具包，专为构建监督学习模型而设计。它包含数据预处理、模型训练、评估和生成预测的专用模块，简化了预测分析解决方案的开发。

Vizly是一款AI驱动的数据分析工具，旨在快速生成可操作的洞察，帮助用户从数据中提取价值。它支持用普通语言查询数据，灵活使用各种数据源，并能自动生成洞察，确保数据的安全性和隐私。

sktime 是 Python 中用于时间序列分析的库。它为多个时间序列学习任务提供了一个统一的界面，包括时间序列分类、回归、聚类、注释和预测。

Awesome-TimeSeries-LLM-FM 是一个面向时间序列任务的大型语言模型(LLM)应用的资源列表，旨在促进时间序列分析的统一模型发展。该项目汇集了多种时间序列分析相关的模型、工具和资源，支持跨领域的时间序列数据分析和处理，并提供丰富的学术和实践资源，为研究、开发和教学提供全面的支持。

这是一个专业整理的时间序列自监督学习（SSL4TS）资源列表，涵盖了相关论文、代码、数据集等。该项目旨在为研究者和开发者提供全面的资源支持，帮助他们深入了解和应用自监督学习技术在时间序列数据上的最新进展。

Amazon Forecast是一个前沿的预测服务，利用机器学习技术为各种商业应用提供高度准确的预测。该工具旨在利用亚马逊网站的预测技术，使各类企业能够获得未来趋势、需求和结果的预测，从而增强各行业的决策过程。

seasonal 是一个用于稳健估计时间序列中趋势和周期性的工具。它能够有效处理异常值和噪声，提供准确可靠的分析结果。适用于多种领域，如金融、气象和生物学等，帮助用户识别数据中的长期趋势和周期性模式。

pmdarima是一个统计库，旨在填补Python在时间序列分析中的空白，提供与R的auto.arima函数等效的功能。

xLSTM-7B是一种扩展的LSTM模型架构，通过引入Exponential Gating和Matrix Memory等技术，克服了传统LSTM的局限性。相较于Transformer架构，xLSTM-7B在推理速度和参数效率方面表现出显著优势，适用于多种序列数据处理任务。

Sulie 提供对基础模型的访问，专注于时间序列预测，支持零样本预测和自动微调，旨在提升预测准确性并简化模型管理。

Time-LLM 是一个重新编程框架，用于将大型语言模型（LLMs）重新用于通用的时间序列预测，同时保持其骨干语言模型的完整性。

LazyProphet 是一个基于 LightGBM 的时间序列预测库，旨在简化和增强时间序列预测的过程。它通过最小化配置要求，使得时间序列建模变得更加容易，同时支持处理缺失数据和异常值。LazyProphet 提供了易于使用的接口，用于快速模型训练和预测，并且针对大数据集进行了性能优化。

该项目是一个关于大型语言模型和基础模型在时态数据（时间序列、时空和事件数据）以及AIOps领域应用的资源列表。它提供了全面的资源，包括论文、代码、数据集等，系统地总结了该领域的最新进展，为研究者和开发者提供了可靠的参考。

tsai是一个基于Pytorch和fastai的深度学习库，专注于时间序列和序列数据的处理。它提供了多种先进的深度学习模型和预训练工具，支持时间序列分类、回归、预测等任务。tsai易于集成和使用，适合快速实验和模型调优，是处理时间序列数据的理想选择。

Conformal-time-series 是一个专门为时间序列数据设计的工具，它结合了保形预测（conformal prediction）技术和PID控制方法，用于生成时间序列预测的置信区间。该项目不仅提供了对时间序列预测模型的不确定性量化支持，还能与现有的时间序列预测流程无缝集成，适用于多种时间序列预测模型。

Time-LLM 是一个通过重新编程大型语言模型来进行时间序列预测的项目，能够高效处理和预测各种时序数据。

MOMENT是一个开源时间序列基础模型的家族，旨在支持各种时间序列任务，具有模块化架构，便于定制和扩展。