tsai开源项目 – 深度学习时序处理库

TSLib 是一个专为深度学习研究者设计的时序分析开源库，支持长短期预测、数据补全、异常检测和分类等任务。它提供了多种先进的深度学习模型，并鼓励研究者通过排行榜功能提交和比较新模型。TSLib 提供了一个简洁的代码库，用于评估先进的深度时序模型或开发新模型，涵盖了五个主流任务：长短期预测、数据补全、异常检测和分类。此外，TSLib 还包含了最新的时序模型，如 TimeXer、Mamba 等，并提供了详细的教程和排行榜功能，帮助研究者快速上手和比较模型性能。

TimeSeries_fastai 是 Thomas Capelle 基于 fastai 框架实现的时间序列分类项目。该项目整合了多种时间序列分类算法，支持多篇最新的时间序列分类论文，并能够轻松与 fastai 的深度学习框架集成。项目具有高度可定制性和扩展性，适用于不同的时间序列数据集，并在性能上进行了优化。

RWKV是一种新型模型，它不需要注意力机制，而是将递归神经网络和Transformers的优点结合在一起。

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。

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。

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。

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。

该模型探讨了使用大型生成预训练变换器处理时间序列数据的可能性，旨在提升时间序列分析和预测的准确性。

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。

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。

Chronos是一个基于语言模型架构的概率时间序列预测预训练模型，能够将时间序列数据转化为Token序列，并通过交叉熵损失训练语言模型，从而实现多轨迹采样以获得概率预测分布。

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。

NLP-Paper项目专注于自然语言处理中的对话语音领域，系统整理相关论文并附上阅读笔记，复现相关模型及提供数据处理工具，旨在帮助研究者更好地理解和应用该领域的知识。

PatrickStar使得更大、更快、更环保的预训练模型在自然语言处理领域成为可能，推动AI的普及。