Inicio Proyectos chronos-forecasting
chronos-forecasting

chronos-forecasting

por amazon-science · GitHub

Chronos: Modelos Preentrenados para Pronóstico de Series Temporales

Ver en GitHub
En palabras simples

Usa modelos preentrenados para predecir tendencias futuras basadas en datos relacionados con el tiempo con solo unas pocas líneas de código.

⭐ Estrellas
🍴 Ramas
🔥 Tendencias
📜 Licencia
Uso comercial permitido
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
chronos-forecasting — GitHub preview card
📈 Historial de estrellas
5.7k5.5k
2026-07-042026-07-29
📈 Sigue chronos-forecasting

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Chronos: Modelos Preentrenados para Pronóstico de Series Temporales

chronos-forecasting tiene 5.7k estrellas en GitHub. Se ha bifurcado 681 veces. chronos-forecasting está escrito principalmente en Python. Se desarrolla activamente desde 2024. chronos-forecasting está disponible bajo la licencia Apache-2.0. Sus temas principales son: artificial-intelligence, forecasting, foundation-models, huggingface.

Frequently asked questions

¿Qué es chronos-forecasting?

Chronos: Modelos Preentrenados para Pronóstico de Series Temporales

¿chronos-forecasting es de código abierto?

chronos-forecasting es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿chronos-forecasting es gratis?

Sí. chronos-forecasting es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está chronos-forecasting?

chronos-forecasting está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito chronos-forecasting?

chronos-forecasting está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — chronos-forecasting

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=amazon-science-chronos-forecasting)](https://olud.ai/project/amazon-science-chronos-forecasting.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
lag-llama
Lag-Llama: Hacia modelos de fundación para pronósticos de series temporales probabilísticas.
1.6k · forecasting
compartetimeseriestime-series-forecasting
time-series-transformers-review
Una lista profesionalmente curada de recursos impresionantes (artículos, código, datos, etc.) s…
3k · anomalydetection
compartetimeseriestime-series-forecasting
uni2ts
Entrenamiento Unificado de Transformadores Universales de Pronóstico de Series Temporales
1.6k · deep-learning
compartetime-series-forecastingforecasting
gluonts
Modelado de series temporales probabilísticas en Python
5.2k · artificial-intelligence
compartetimeseriestime-series-forecasting
nixtla
TimeGPT-1: modelo de base de series temporales preentrenado listo para producción para pronósti…
4k · agent
compartetime-series-forecastingforecasting
timecopilot
TimeCopilot: el Agente de Pronóstico GenAI. Basado en LLMs y Modelos Base de Series Temporales,…
582 · agent-based-modeling
compartetime-series-forecastingforecasting
moment
MOMENT: Una familia de Modelos de Fundamentos de Series Temporales Abiertos, ICML'24
810 · anomaly-detection
compartetime-series-forecastingforecasting
LTSF-Linear
[AAAI-23 Oral] Implementación oficial del artículo "¿Son efectivos los Transformers para la pre…
2.5k · aaai
compartetime-series-forecastingforecasting
TimeMixer
[ICLR 2024] Implementación oficial de "TimeMixer: Decomposable Multiscale Mixing for Time Serie…
2k · deep-learning
compartetime-series-forecastingtime-series
rellm
Estructura exacta a partir de cualquier finalización de modelo de lenguaje.
511 · huggingface-transformers
compartehuggingface-transformerstransformers

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.