Des outils IA notés pour votre métier
Missions IA payées
🤝 Vous êtes dans la bibliothèque Libre & Open Source — des outils communautaires utilisables sans payer. Un concept différent de notre annuaire IA noté.
Accueil › Libre & Open Source › Logistique › Time-Series-Library
✦ Libre & open sourceLogistique

Time-Series-Library

Bibliothèque de deep learning pour la prévision, l'imputation, la classification et la détection d'anomalies de séries temporelles.

Bibliothèque Avancée de Séries Temporelles en Deep Learning

Évaluez et créez des modèles de deep learning pour la prévision, l'imputation et la classification de séries temporelles.

Gratuit pour toujours · open source · MIT
✓ Needs IT✓ Dans le navigateur✓ Collaboration en temps réel
7.4
ZEKAI
Solide base de code de benchmark pour le deep learning
Libre & open source · Logistique
Facilité d'installation6
Utilité8
Maintenance7
Communauté8.5
★ 13,003
GITHUB
Apr 2026
MIS À JOUR
MIT
LICENCE
🛠 Pas envie de l'héberger vous-même ? Nous pouvons l'installer →
⚡ Réponse rapide

Time-Series-Library (TSLib) est une base de code open source conçue pour les chercheurs et les ingénieurs travaillant sur l'analyse approfondie de séries temporelles. Elle couvre les tâches principales telles que la prévision à long et court terme, l'imputation, la détection d'anomalies et la classification.

Fonctionne sur
Cross-platform
Hébergement
Self-host
Langues
Python
Licence
MIT

Qu'est-ce que c'est

La bibliothèque implémente des modèles avancés tels que TimeXer, TimeMixer, iTransformer, PatchTST et TimesNet, organisés autour de tâches et de benchmarks spécifiques. Elle comprend des fonctionnalités spécialisées pour la prévision zero-shot avec des Large Time Series Models (LTSMs) et l'intégration de variables exogènes.

Pour qui

Elle s'adresse aux data scientists et aux ingénieurs en machine learning qui développent ou comparent des modèles de deep learning pour des données séquentielles. Elle n'est pas conçue pour les analystes métier recherchant des interfaces de prévision graphiques sans code.

Fonctionnalités clés

Cinq Tâches Principales

Couvre la prévision à long et court terme, l'imputation, la détection d'anomalies et la classification.

Modèles de Pointe

Comprend des implémentations de TimeXer, iTransformer, PatchTST, TimesNet et Mamba.

Prévision Zero-Shot

Intègre des scripts expérimentaux pour évaluer les Large Time Series Models sans entraînement préalable.

Support des Variables Exogènes

Met en œuvre des paradigmes comme TimeXer pour gérer efficacement les variables externes lors des prévisions.

Comment démarrer

Opérationnel en 3 étapes

1
Clonez le dépôt Time-Series-Library depuis GitHub.
2
Installez les dépendances Python requises et les modules optionnels comme mamba_ssm si nécessaire.
3
Exécutez les scripts shell fournis dans le répertoire scripts pour lancer l'entraînement et l'évaluation des modèles.
Franchement

Notre verdict honnête

Ses atouts

  • Fournit des implémentations vérifiées de modèles académiques de premier plan pour les séries temporelles.
  • Comprend des scripts d'évaluation standardisés et des classements de benchmarks.
  • Prend en charge les workflows de prévision zero-shot pour les Large Time Series Models.
  • Maintient des bases structurées à travers de multiples tâches d'analyse de séries temporelles.

Ses limites

  • Les mainteneurs ont une bande passante limitée, ce qui signifie que l'ajout de nouvelles fonctionnalités est suspendu.
  • De nombreux benchmarks existants peuvent être saturés ou moins pertinents pour la recherche actuelle.
  • Nécessite d'écrire du code Python et de gérer manuellement les dépendances de deep learning.
Coût

Tarifs & licence

Gratuit sous licence MIT, sans option hébergée payante proposée. Le seul coût est l'exécution du matériel requis pour l'entraînement en deep learning.

Travail rémunéré

Missions pour francophones

877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.

Voir tous les postes ouverts →
Comparer

Alternatives

Pour aller plus loin

Utilisez-le, ou laissez-nous l'installer

📄 PDF gratuit : Time-Series-Library pour Logistique
Un guide simple pour obtenir votre premier résultat. Envoyé dans votre boîte mail.
🔔 64 personnes veulent un tutoriel vidéo complet — ajoutez votre vote
🛠 Pas envie de l'installer vous-même ?
Nous installons, hébergeons et configurons Time-Series-Library pour vous — et formons votre équipe.
Confiez-nous l'installation ↗
Questions

FAQ

Quelles tâches TSLib prend-il en charge ?

TSLib prend en charge la prévision à long et court terme, l'imputation, la détection d'anomalies et la classification.

De nouvelles fonctionnalités sont-elles activement ajoutées ?

Non, les mainteneurs ont annoncé que les ajouts de nouvelles fonctionnalités sont suspendus en raison d'une bande passante limitée.

Radar

Dernières actus IA

✉️ La boîte à outils gratuite hebdo
Les meilleurs nouveaux outils libres & open source pour Logistique — un court e-mail par semaine, dans votre langue.
Gratuit · 1 e-mail/semaine · désabonnement à tout moment
Soyez payé pour entraîner l’IA →

Voir Zekai en premier dans Google