Deep-Learning-Bibliothek für Zeitreihen-Prognose, Imputation, Klassifizierung und Anomalieerkennung.
Evaluieren und Erstellen von Deep-Learning-Modellen für Zeitreihen-Prognose, Imputation und Klassifizierung.
Time-Series-Library (TSLib) ist eine Open-Source-Codebasis für Forscher und Ingenieure, die mit Deep-Zeitreihenanalysen arbeiten. Sie deckt gängige Aufgaben wie kurz- und langfristige Prognosen, Imputation, Anomalieerkennung und Klassifizierung ab.
Die Bibliothek implementiert fortgeschrittene Modelle wie TimeXer, TimeMixer, iTransformer, PatchTST und TimesNet, organisiert nach spezifischen Aufgaben und Benchmarks. Sie enthält spezialisierte Funktionen für Zero-Shot-Prognosen mit Large Time Series Models (LTSMs) und die Integration exogener Variablen.
Sie eignet sich für Data Scientists und Machine-Learning-Ingenieure, die Deep-Learning-Modelle für sequenzielle Daten entwickeln oder als Benchmark nutzen. Sie ist nicht für Business Analysts gedacht, die grafische Prognoseschnittstellen ohne Code suchen.
Deckt kurz- und langfristige Prognosen, Imputation, Anomalieerkennung und Klassifizierung ab.
Enthält Implementierungen von TimeXer, iTransformer, PatchTST, TimesNet und Mamba.
Bietet experimentelle Skripte zur Evaluierung von Large Time Series Models ohne vorheriges Training.
Implementiert Paradigmen wie TimeXer zur effizienten Handhabung externer Variablen bei Prognosen.
Kostenlos unter der MIT-Lizenz, ohne kostenpflichtige gehostete Option. Die einzigen Kosten entstehen durch den Betrieb der für das Deep-Learning-Training erforderlichen Hardware.
877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
TSLib unterstützt kurz- und langfristige Prognosen, Imputation, Anomalieerkennung und Klassifizierung.
Nein, die Maintainer haben angekündigt, dass das Hinzufügen neuer Funktionen aufgrund begrenzter Kapazitäten pausiert.
Zekai zuerst in Google sehen