Librería de aprendizaje profundo para la predicción, imputación, clasificación y detección de anomalías en series temporales.
Evalúa y construye modelos de aprendizaje profundo para la predicción, imputación y clasificación de series temporales.
Time-Series-Library (TSLib) es una base de código open source diseñada para investigadores e ingenieros que trabajan con análisis profundo de series temporales. Abarca tareas principales como predicción a largo y corto plazo, imputación, detección de anomalías y clasificación.
La librería implementa modelos avanzados como TimeXer, TimeMixer, iTransformer, PatchTST y TimesNet, organizados en torno a tareas y benchmarks específicos. Incluye características especializadas para la predicción zero-shot con modelos grandes de series temporales (LTSMs) e integración de variables exógenas.
Es adecuada para científicos de datos e ingenieros de machine learning que desarrollan o evalúan modelos de aprendizaje profundo para datos secuenciales. No está diseñada para analistas de negocio que busquen interfaces gráficas de predicción sin código.
Abarca predicción a largo y corto plazo, imputación, detección de anomalías y clasificación.
Incluye implementaciones de TimeXer, iTransformer, PatchTST, TimesNet y Mamba.
Presenta scripts experimentales para evaluar modelos grandes de series temporales sin entrenamiento previo.
Implementa paradigmas como TimeXer para gestionar variables externas de manera eficiente durante la predicción.
Gratis bajo su licencia MIT, sin opción alojada de pago. El único coste es ejecutar el hardware requerido para el entrenamiento de aprendizaje profundo.
880 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
TSLib admite predicción a largo y corto plazo, imputación, detección de anomalías y clasificación.
No, los mantenedores anunciaron que la adición de nuevas características está pausada debido a la disponibilidad limitada.
Ve Zekai primero en Google