AutoGluon-TimeSeries 是一种开源的 AutoML 库，专注于概率时间序列预测。它能够通过仅使用 3 行 Python 代码生成准确的点和分位数预测，并结合了传统统计模型、基于机器学习的预测方法和集成技术。在对 29 个基准数据集的评估中，AutoGluon-TimeSeries 表现出了强大的实证性能，在点和分位数预测准确性方面超过了各种预测方法，甚至在某些情况下改进了最好的 “事后最佳” 组合方法。

Aug, 2023

使用 AEON 工具对生成的测试用例进行语义相似性和语言自然度评估，从而提高测试用例的质量，最终帮助提高自然语言处理软件的准确性和稳健性。

May, 2022

Merlion 是一个开源的机器学习库，旨在为工程师和研究人员提供一个一站式的解决方案，用于快速开发他们特定时间序列的模型，并在多个时间序列数据集上进行基准测试。它具有统一接口，可用于许多常用模型和数据集，以进行单变量和多变量时间序列的异常检测和预测，还提供一系列模块以提高易用性，并具有模型评估和模型集成等功能。

Sep, 2021

介绍了一个名为 sktime 的 Python 库，提供了统一的机器学习时间序列接口，以简化时间序列任务。

Sep, 2019

介绍了一种名为 Gluon Time Series 的基于深度学习的时间序列建模库，可用于常见任务如预测或异常检测，简化了模型开发和实验，并提供了科学家快速建立新模型、高效运行和分析实验以及评估模型准确性所需的所有组件和工具。

Jun, 2019

EpiLearn 是一个 Python 工具包，用于建模、模拟和分析流行病数据，通过机器学习方法支持流行病建模的评估和分析，包括模拟、可视化、转换等各种综合工具，并提供了一个训练和评估流行病模型的统一框架，用于预测和源检测任务，以及开发新模型的灵活和易用性，同时还开发了一个交互式 Web 应用程序来可视化真实或模拟的流行病数据。

Jun, 2024

TemporAI 是一个开源的 Python 软件库，专注于医疗保健，支持时间序列，静态和事件模态的数据分析，提供预测、因果推断和事件时间分析的接口，以及常见预处理工具和模型可解释性方法。该库旨在通过提供标准化的时间设置工具包来促进医学机器学习领域的创新，为模型开发、原型设计和基准测试提供支持，并弥合了机器学习研究、医疗保健专业人士、医疗 / 药物工业和数据科学社区之间的差距。TemporAI 可在 GitHub（此网址）获得，我们欢迎社区通过使用、反馈和代码贡献来参与支持。

Jan, 2023

提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。

Mar, 2024

该研究论文介绍了一种新的深度学习有监督方法用于检测多变量时间序列数据中的事件，并且提供了一个配套的 Python 软件包，名为 eventdetector-ts。

Oct, 2023

通过量化和刻度将时间序列值进行标记化，采用交叉熵损失训练基于 T5 家族的预训练 Chronos 模型，通过在 42 个数据集上的综合性性能评估，表明 Chronos 模型在训练集中的数据上表现明显优于其他方法，在新数据集上具有可比乃至稍优的零样本性能，从而使预训练模型成为大大简化预测流程的可行工具。

Mar, 2024