Accueil Projets TimeMixer
TimeMixer

TimeMixer

par kwuking · GitHub

[ICLR 2024] Mise en œuvre officielle de "TimeMixer : Mélange multiscalaire décomposable pour la prévision de séries temporelles"

Voir sur GitHub
En termes simples

Prévisions des données de séries temporelles en utilisant une méthode qui mélange différentes échelles d'information.

⭐ Étoiles
🍴 Forks
🔥 Tendances
📜 Licence
Utilisation commerciale autorisée
📅 Créé
🔄 Dernier commit
🏷️ Catégorie
💻 Langue
Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
TimeMixer — GitHub preview card
📈 Historique des étoiles
1 9711 970
2026-07-202026-07-29
📈 Suivez TimeMixer

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

[ICLR 2024] Mise en œuvre officielle de "TimeMixer : Mélange multiscalaire décomposable pour la prévision de séries temporelles"

TimeMixer compte 2k étoiles sur GitHub. Il a été forké 239 fois. TimeMixer est écrit principalement en Python. Il est développé activement depuis 2024. TimeMixer est disponible sous licence Apache-2.0. Ses principaux thèmes sont : deep-learning, machine-learning, time-series, time-series-analysis.

Frequently asked questions

Qu'est-ce que TimeMixer ?

[ICLR 2024] Mise en œuvre officielle de "TimeMixer : Mélange multiscalaire décomposable pour la prévision de séries temporelles"

TimeMixer est-il open source ?

TimeMixer est un projet open source. Il est distribué sous licence Apache-2.0.

TimeMixer est-il gratuit ?

Oui. TimeMixer est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

Sous quelle licence est TimeMixer ?

TimeMixer est disponible sous licence Apache-2.0.

Dans quel langage TimeMixer est-il écrit ?

TimeMixer est écrit principalement en Python.

🏅 Mainteneur de ce projet ?
OpenSourceAI badge — TimeMixer

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=kwuking-timemixer)](https://opensourceai.tech/project/kwuking-timemixer.html)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →
Time-Series-Library
Une bibliothèque pour des modèles avancés de séries temporelles profondes pour l'analyse généra…
12.7k · deep-learning
partagetime-series-analysistime-series
pyts
Un package Python pour la classification de séries temporelles
1.9k · classification
partagetime-series-analysistime-series
TFB
[PVLDB 2024 Meilleure Nomination de Papier] TFB : Vers une évaluation complète et équitable des…
1.7k · benchmarking
partagetime-series-forecastingtime-series
tods
TODS : Un système automatisé de détection des anomalies dans les séries temporelles
1.7k · anomaly-detection
partagetime-series-analysistime-series
Crossformer
Implémentation officielle de notre article ICLR 2023 "Crossformer : Transformer utilisant la dé…
697 · deep-learning
partagetime-series-forecasting
flow-forecast
Bibliothèque PyTorch pour l'apprentissage profond pour la prévision de séries temporelles, la c…
2.3k · anomaly-detection
partagetime-series-analysistime-series-forecasting
Time-LLM
[ICLR 2024] Implémentation officielle de " 🦙 Time-LLM : Prévision de séries temporelles par rep…
2.7k · cross-modal-learning
partagetime-series-analysistime-series-forecasting
Autoformer
À propos de la publication de code pour "Autoformer : Décomposition des Transformers avec auto-…
2.5k · deep-learning
partagetime-series
timecopilot
TimeCopilot : l'agent de prévision GenAI. Basé sur des LLMs et des modèles de fondation de séri…
582 · agent-based-modeling
partagetime-series-forecastingtime-series
uni2ts
Formation unifiée des Transformers de prévision de séries temporelles universelles
1.6k · deep-learning
partagetime-series-forecastingtime-series

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.