Awesome GitHub RepositoriesTime Series Data Loading

AutoGluon is an automated machine learning framework and multimodal library designed to automate the end-to-end pipeline from data preprocessing to high-accuracy model training and validation. It functions as an automated model trainer for tabular, image, text, and time series data, as well as a tool for time series forecasting and foundation model finetuning. The project is distinguished by its ability to jointly process and fuse different data types, allowing for the construction of multimodal neural networks that integrate images, text, and structured tables. It supports zero-shot inferenc

Darts is a Python time series library designed for forecasting, anomaly detection, and the preprocessing of univariate and multivariate temporal data. It serves as a comprehensive framework for training and evaluating a wide range of statistical, machine learning, and deep learning models to predict future numerical values. The toolkit is distinguished by its support for global time series modeling, allowing a single model to be trained across multiple different series to leverage shared patterns. It also features a hierarchical time series manager to ensure consistency between aggregate and

Earth is an interactive web-based platform for visualizing global weather, ocean, and atmospheric data. It animates particle flows representing wind, ocean currents, and waves on a customizable map, and supports overlaying color-coded meteorological, oceanographic, chemical, and particulate data for detailed analysis. The platform distinguishes itself by offering multiple cartographic projections—including orthographic, equirectangular, and stereographic—that can be switched to view global patterns from different perspectives. It also provides keyboard-driven navigation, allowing map rotation

Apache IoTDB is a time-series database designed for the Internet of Things, purpose-built to ingest high-volume data from millions of low-power devices and store timestamp-value pairs with configurable data types and encoding schemes. It organizes time series data and device metadata in a tree-like hierarchy, enabling efficient management of complex industrial sensor networks. The database supports rich querying capabilities, including time-aligned data retrieval across multiple devices, time-based aggregation like downsampling, and frequency-domain signal analysis. It provides high-throughpu

PlotJuggler is an interactive time series visualization tool that loads, streams, and renders large datasets using hardware-accelerated OpenGL graphics. It functions as a multi-format data loader, supporting file formats such as CSV, ULog, and ROS bags, and also serves as a live data stream viewer that subscribes to real-time sources via MQTT, WebSockets, ZeroMQ, and UDP. The tool distinguishes itself through a plugin-based extensibility platform that allows users to add custom data sources, file formats, and processing capabilities. It includes a Lua scripting engine for creating custom data

Allure is a test reporting framework that normalizes execution data from multiple test frameworks across different programming languages into a common intermediate format. It aggregates results from multiple sources into a shared directory of JSON files and generates self-contained HTML reports through a modular plugin pipeline. The architecture includes a hierarchical step tree model to represent test execution, metadata annotation injection to enrich results at runtime, and directory-watch incremental rendering that regenerates reports in real time as new data arrives. Unlike generic report

GluonTS ist ein Framework für probabilistische Zeitreihenprognosen, das darauf ausgelegt ist, zukünftige Werte als Wahrscheinlichkeitsverteilungen mit Konfidenzintervallen vorherzusagen. Es unterstützt sowohl das traditionelle Modelltraining als auch Zero-Shot-Forecasting, bei dem vortrainierte Modelle Vorhersagen für neue Serien ohne zusätzliches Training generieren. Das Projekt zeichnet sich durch die Integration einer Vielzahl von Prognoseansätzen in einen einheitlichen Workflow aus. Dies umfasst Deep-Learning-Architekturen wie rekurrente neuronale Netze und kausale Konvolutionen sowie die Integration externer statistischer Modelle, der Prophet-Bibliothek und R-Paketen. Das Toolkit bietet eine umfassende Oberfläche für das Zeitreihen-Data-Engineering, die Datensatzskalierung, -aufteilung und die Transformation roher Zeitdaten in Tensoren abdeckt. Es enthält zudem eine Suite von Evaluierungstools zur Messung von Prognosegenauigkeit und Unsicherheitsintervallen sowie Hilfsmittel zur Datensatzpersistenz unter Verwendung von Formaten wie Arrow und Parquet. Das Framework unterstützt die Bereitstellung von Prognosemodellen innerhalb der Cloud-Infrastruktur.

GluonTS ist eine probabilistische Zeitreihenbibliothek und ein Deep-Learning-Prognose-Framework. Es bietet ein Toolkit zum Aufbau, Training und zur Evaluierung neuronaler Netzwerkarchitekturen, die zukünftige Werte als Wahrscheinlichkeitsverteilungen vorhersagen, um Unsicherheit zu quantifizieren. Das Projekt zeichnet sich durch die Unterstützung von Zero-Shot-Forecasting und die Integration diverser Modellierungsansätze aus, einschließlich tiefer probabilistischer neuronaler Netze und Wrapper für externe statistische Bibliotheken wie Prophet und R forecast. Es implementiert spezialisierte architektonische Primitiven wie kausale Konvolutionen und invertierbare Residual-Netzwerke, um Informationslecks zu verhindern und latente Repräsentationen in gültige Wahrscheinlichkeitsverteilungen abzubilden. Das Framework deckt eine umfassende Data-Engineering-Oberfläche ab, einschließlich Zeitreihenskalierung, bijektiver Transformationen und hierarchischer Modellierung. Es nutzt Apache Arrow und Parquet für hochperformantes Datensatz-Streaming und Random-Access-Management. Zur Modellbewertung enthält es eine Evaluierungssuite zur Messung von Prognosegenauigkeit und probabilistischer Abdeckung unter Verwendung von Metriken wie Quantile Loss und Continuous Rank Probability Scores. Die Bibliothek unterstützt die Modellbereitstellung durch Integration mit Amazon SageMaker.

sitespeed.io ist ein Web-Performance-Analysetool und Überwachungssystem, das darauf ausgelegt ist, die Website-Geschwindigkeit und Core Web Vitals unter Verwendung echter Browser zu messen. Es fungiert als Performance-Regressions-Suite und Browser-Performance-Monitor, der die Durchsetzung von Performance-Budgets ermöglicht, um Geschwindigkeitsregressionen zu erkennen und zu blockieren. Das Projekt zeichnet sich durch sein Test-Framework für echte Geräte aus, das Performance-Audits auf physischer Android- und iOS-Hardware über USB-Verbindungen ausführt. Es enthält ein spezialisiertes Tool zum Generieren und Vergleichen von HTTP-Archive-Dateien zur Diagnose von Netzwerkengpässen sowie eine Integration zur Ausführung von Lighthouse-Audits, um Seitenqualität und Barrierefreiheitsmetriken zu erfassen. Das System deckt ein breites Spektrum an Funktionen ab, einschließlich synthetischer Geschwindigkeitsaudits, Netzwerkverkehrsanalyse und kontinuierlicher Performance-Tests. Es bietet Observability-Tools zur Verfolgung des Stromverbrauchs von Geräten, zur Abschätzung der Umweltauswirkungen und zum Export von Zeitreihendaten in externe Datenbanken für die langfristige Trendüberwachung. Tests können über eine Befehlszeilenschnittstelle oder ein webbasiertes Deployment-System unter Verwendung von JSON-gesteuerten Konfigurationen verwaltet werden.

PyTorch Forecasting is a deep learning framework designed for building and training neural network architectures specifically for time series forecasting. It serves as a comprehensive toolkit for implementing autoregressive models, multi-horizon forecasting, and probabilistic prediction intervals using PyTorch tensors. The library distinguishes itself through a probabilistic forecasting toolkit that generates prediction intervals and quantile forecasts using both parametric and non-parametric distributions. It further provides a neural network model optimizer for automated hyperparameter tuni

pyalgotrade ist eine Python-Bibliothek für algorithmischen Handel, die für die Entwicklung, das Backtesting und die Ausführung automatisierter Handelsstrategien konzipiert ist. Sie bietet ein umfassendes Framework für das Backtesting von Finanzstrategien, eine Bibliothek für technische Analyse zur Berechnung mathematischer Indikatoren sowie Konnektoren für die Integration von Kryptobörsen. Das Projekt zeichnet sich durch die Unterstützung von sentimentbasiertem Handel durch die Integration von Social-Media-Feeds und Keyword-Streams in Echtzeit aus. Es bietet ein Visualisierungstool für quantitativen Handel zum Plotten von Preisverläufen und Portfolio-Equity-Kurven sowie parallele Parameteroptimierung zur Identifizierung der effektivsten Strategieeinstellungen. Die Bibliothek deckt ein breites Spektrum an Funktionen ab, darunter den Aufbau von Finanzdaten-Pipelines für die Aufnahme und Resampling von Marktdaten, das Order-Lifecycle-Management für Live- und Paper-Trading sowie quantitative Performance-Analysen zur Berechnung risikoadjustierter Renditen und Drawdowns. Sie enthält zudem Tools für technische Analysen, wie Volatilitätsbänder und Momentum-Indikatoren, sowie Simulationen, die Order-Slippage und Transaktionsgebühren berücksichtigen.

Neural Prophet ist eine auf PyTorch basierende Bibliothek für Zeitreihenprognosen, die für interpretierbares Machine Learning entwickelt wurde. Sie dient als Dekompositions-Framework, das Signale in Bestandteile wie autoregressive Effekte, stückweise lineare Trends und Fourier-basierte Saisonalität zerlegt, um zukünftige Werte vorherzusagen. Das Projekt zeichnet sich durch die Kombination neuronaler Netze mit traditionellen Algorithmen aus, um Prognosen zu erstellen, die zugrunde liegende Trendtreiber erklären. Es bietet einen globalen Zeitreihen-Modellierungsansatz, der es ermöglicht, ein einzelnes Modell über mehrere gleichzeitige Reihen hinweg zu trainieren, um gelernte Muster zu teilen und gleichzeitig lokale Spezifitäten beizubehalten. Zudem fungiert es als Tool zur Unsicherheitsquantifizierung und nutzt Quantil-Regression und konforme Vorhersagen, um zuverlässige Prognoseintervalle zu generieren. Die Bibliothek bietet eine umfassende Suite an Funktionen für das Datenmanagement, einschließlich Abruf von Feiertagen, Lückenfüllung und Normalisierung. Sie deckt den gesamten Modellierungslebenszyklus mit automatisierter Hyperparameter-Optimierung, Erkennung von Trend-Changepoints und der Integration von zukünftigen sowie verzögerten Regressoren ab. Die Analyse wird durch Prognosedekomposition und Input-Attribution unterstützt, um zu visualisieren, wie spezifische Faktoren die finalen Vorhersagen beeinflussen.

Nixtla ist eine Zeitreihenanalyse-Plattform, die auf einem Transformer-basierten Foundation-Modell basiert. Sie bietet Zero-Shot-Inferenz für Prognosen und Anomalieerkennung, wodurch das System zukünftige Werte für neue Zeitreihen vorhersagen kann, ohne dass ein Modell-Retraining erforderlich ist. Das Projekt ist für Analysen im großen Maßstab konzipiert und nutzt verteilte Inferenz-Skalierung und Prognose-Parallelisierung, um Millionen von Datenreihen zu verarbeiten. Es unterstützt Fine-Tuning-Anpassungen, um vortrainierte Gewichte für domänenspezifische Datensätze anzupassen, und bietet Bereitstellungsoptionen, die von lokaler Ausführung und privaten Containern bis hin zur Integration als Stored Procedures innerhalb von Snowflake reichen. Die Funktionen umfassen Prognosen für lange Horizonte und intermittierende Nachfrage, What-if-Szenarioanalysen und die Quantifizierung von Prognoseunsicherheiten. Das System bietet zudem eine vollständige Data-Engineering-Pipeline zum Prüfen, Bereinigen und Anreichern von Zeitreihendaten mit exogenen Variablen und datumsbasierten Indikatoren. Die Modellzuverlässigkeit wird durch Cross-Validation-Backtesting, Validierung der Prognosegenauigkeit und Experiment-Tracking für Hyperparameter-Logging verwaltet.

Unpoller is a network controller metrics exporter and time-series data pipeline. It functions as a network event forwarder and monitoring dashboard, pulling device performance data and security anomalies from controller APIs to enable long-term storage and trend analysis. The system captures network hardware metrics and site performance data, shipping these measurements to external time-series databases. It also forwards alarms and network events to centralized log aggregation platforms and provides a visualization interface for rendering these metrics into custom analysis dashboards. The pr