相关软件#

Python 生态系统包含许多可用于存储和处理时间序列数据的软件包。以下列表绝非详尽无遗。如果您发现遗漏了什么，请随时提交一个 PR。

用于时间序列机器学习、统计或分析的软件包,
其他时间序列相关框架或数据库系统.

有关时间序列数据容器，请参阅我们的 wiki 条目。

机器学习#

库#

项目名称	描述
adtk	异常检测工具包，一个用于无监督/基于规则的时间序列异常检测的 Python 软件包
atspy	预测模型集合，封装了现有的统计和机器学习模型进行预测，自动化基准测试
Arrow	一种合理、人性化的方法，用于创建、操作、格式化和转换日期、时间和时间戳
cesium	时间序列平台，具有针对非均匀采样信号的特征提取功能
catch22	用于 hctsa 和所谓的 catch22 特征集的特征选择管道
crystalball	一个具有类似 scikit-learn API 的 Python 预测库
darts	Python 时间序列预测工具集，涵盖从预处理到模型（单/多变量，prophet，神经网络）和回测工具
deeptime	一个用于时间序列无监督学习的库，包括降维、聚类和马尔可夫模型估计
deltapy	数据增强工具集，包括从时间序列中提取特征，封装了 tsfresh 等现有工具包
diviner	Databricks 的 Diviner 支持大规模时间序列预测，并作为其他开源预测库的包装器
dtaidistance	时间序列距离
dtw	基于 Scipy 的动态时间规整
Featuretools	时间序列特征提取，可能依赖于其他变量，使用与 pandas 兼容的类似关系型数据库的数据容器
fecon235	金融经济学的计算工具
ffn	金融函数库
flint	一个用于 Apache Spark 的时间序列库
GENDIS	通过遗传算法发现 shapelet
glm-sklearn	statsmodels 中 GLM 模块的 scikit-learn 兼容包装器
gluon-ts	Amazon 使用深度学习进行的概率预测和异常检测
greykite	LinkedIn 开发的一个时间序列预测库，包含可解释的“Silverkite”算法。
hctsa	基于 Matlab 的特征提取，可由 Python 控制
HMMLearn	具有 scikit-learn 兼容 API 的隐马尔可夫模型
kats	Facebook 开发的时间序列分析工具包，包括检测、预测、特征提取/嵌入、多变量分析等。
khiva-python	一个在 GPU 上加速分析的时间序列库，提供特征提取和 motif 发现等功能。
lifelines	生存分析工具包
linearmodels	补充 statsmodels 中缺少的线性模型，包括工具变量模型和面板数据模型。
loudML	基于 TensorFlow 构建的时间序列推理引擎，用于预测数据、检测异常值，并利用未来知识自动化您的流程。
matrixprofile-ts	一个使用 Matrix Profile 检测海量数据集中模式和异常的 Python 库
mcfly	用于时间序列分类的深度学习，具有自动化超参数选择功能
neuralprophet	一个基于神经网络的模型，受 Facebook Prophet 和 AR-Net 启发，构建于 PyTorch 之上
Nitime	用于神经科学数据的时间序列分析
NoLiTSA	非线性时间序列分析
orbit	uber 开发的贝叶斯时间序列预测软件包
pomegranate	概率模型，涵盖从单个概率分布到贝叶斯网络和隐马尔可夫模型等组合模型。
Pastas	用于水文数据的时间序列分析
prophet	针对具有线性或非线性增长且包含多种季节性的时间序列数据进行预测
pyDSE	用于动态系统估计的 ARMA 模型
PyEMMA	基于马尔可夫模型的广泛分子动力学模拟分析
PyFlux	经典时间序列预测模型
PyHubs	Python 中感知 Hubness 的机器学习，包括通过基于动态时间规整的 KNN 分类进行时间序列分类
PyOD	异常值检测工具箱
pysf	一个与 scikit-learn 兼容的机器学习库，用于监督/面板预测
pmdarima	R 的 auto.arima 方法移植到 Python
pyts	包含时间序列预处理、转换以及分类技术
ruptures	时间序列标注：变化点检测、分段
salesforce-merlion	salesforce 开发的库，用于预测、异常检测和变化点检测
scikit-fda	一个用于进行函数数据分析的 Python 库，与 scikit-learn 兼容，包括表示、预处理、探索性分析和机器学习方法
scikit-multiflow	scikit-learn 的扩展，用于流式数据（动态在线学习）的监督学习，包括回归/分类和变化检测
scikit-survival	基于 scikit-learn 构建的生存分析
seasonal	用于估计时间序列趋势和季节性的工具包
seqlearn	将 scikit-learn 管道概念扩展到时间序列标注
seglearn	将 scikit-learn 管道概念扩展到时间序列数据，用于分类、回归和预测
sktime	一个与 scikit-learn 兼容的库，用于时间序列/面板数据学习，包括时间序列分类/回归和（监督/面板）预测
statsforecast	Nixtla 的 StatsForecast 提供了一系列广泛使用的单变量时间序列预测模型，使用 numba 优化以获得高性能
statsmodels	包含一个用于经典时间序列模型和假设检验的子模块
stumpy	计算时间序列子序列全对相似性搜索的 Matrix Profile
tbats	此软件包提供 BATS 和 TBATS 时间序列预测方法
tensorflow_probability.sts	Tensorflow Probability 中的贝叶斯结构时间序列模型
timechop	时间交叉验证工具包，是 Data Science for Social Good 预测分析框架的一部分
Traces	一个用于非均匀间隔时间序列分析的库
ta-lib	计算金融时间序列的技术指标（TA-Lib 的 python 包装器）
ta	计算金融时间序列的技术指标
tseries	一个与 scikit-learn 兼容的时间序列回归器，作为预测的元评估器
tsfresh	从时间序列中提取和过滤特征，允许将监督分类器和回归器应用于时间序列数据
tslearn	直接时间序列分类器和回归器
tspreprocess	预处理时间序列（重采样、去噪等），仍在进行中（WIP）
alibi-detect	异常值、对抗样本和漂移检测工具箱

特定模型实现#

项目名称	描述
ES-RNN 预测算法	使用 PyTorch 实现的 M4 竞赛获胜预测方法，结合了指数平滑和循环神经网络
用于时间序列分类的深度学习方法	常见的时间序列分类深度学习架构集合
M4 竞赛	统计和机器学习预测方法集合
Microsoft 预测	预测模型和最佳实践集合，接口现有 Python 和 R 库
LSTM-Neural-Network-for-Time-Series-Prediction	用于预测模型的 LSTM
LSTM_tsc	用于时间序列分类的 LSTM
shapelets-python	基于多层神经网络的 Shapelet 分类器
ROCKET	使用随机卷积核进行时间序列分类
TensorFlow-Time-Series-Examples	使用 tf.contrib.timeseries 进行时间序列预测
UCR_Time_Series_Classification_Deep_Learning_Baseline	用于最先进时间序列分类的全卷积神经网络
WTTE-RNN	通过基于 RNN 的 Weibull 密度估计进行事件发生时间预测
TimeSeers	当需要处理多个时间序列时，作为 Prophet 的替代方案用于时间序列建模

时间序列数据库和框架#

项目名称	描述
arctic	用于时间序列和 tick 数据的高性能数据存储
automl_service	全自动时间序列分类管道，部署为 Web 服务
cesium	时间序列平台，具有针对非均匀采样信号的特征提取功能
thunder	基于 spark 对 Python 中的图像和时间序列数据进行可扩展分析
whisper	基于文件的时序数据库格式
FinTime	金融时间序列数据库框架、设计、基准测试
MNE	用于探索、可视化和分析神经生理时间序列数据（MEG、EEG 等）的 Python 软件

致谢#

感谢 Max Christ，他在此处启动了此列表。