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 es una librería de series temporales probabilísticas y framework de pronóstico de aprendizaje profundo. Proporciona un kit de herramientas para construir, entrenar y evaluar arquitecturas de redes neuronales que predicen valores futuros como distribuciones de probabilidad para cuantificar la incertidumbre. El proyecto se distingue por soportar el pronóstico zero-shot e integrar diversos enfoques de modelado, incluyendo redes neuronales probabilísticas profundas y envoltorios para librerías estadísticas externas como Prophet y R forecast. Implementa primitivas arquitectónicas especializadas como convoluciones causales y redes residuales invertibles para prevenir la fuga de información y mapear representaciones latentes en distribuciones de probabilidad válidas. El framework cubre una superficie de ingeniería de datos integral, incluyendo escalado de series temporales, transformaciones biyectivas y modelado jerárquico. Utiliza Apache Arrow y Parquet para el streaming de conjuntos de datos de alto rendimiento y la gestión de acceso aleatorio. Para la evaluación de modelos, incluye una suite de evaluación para medir la precisión del pronóstico y la cobertura probabilística utilizando métricas como la pérdida de cuantiles y puntuaciones de probabilidad de rango continuo. La librería soporta el despliegue de modelos a través de la integración con Amazon SageMaker.

GluonTS es un framework para el pronóstico probabilístico de series temporales, diseñado para predecir valores futuros como distribuciones de probabilidad con intervalos de confianza. Soporta tanto el entrenamiento de modelos tradicionales como el pronóstico zero-shot, donde modelos preentrenados generan predicciones para nuevas series sin entrenamiento adicional. El proyecto se distingue por integrar una amplia variedad de enfoques de pronóstico en un flujo de trabajo unificado. Esto incluye arquitecturas de aprendizaje profundo como redes neuronales recurrentes y convoluciones causales, así como la integración de modelos estadísticos externos, la librería Prophet y paquetes de R. El kit de herramientas proporciona una superficie integral para la ingeniería de datos de series temporales, cubriendo el escalado de conjuntos de datos, la división y la transformación de datos temporales sin procesar en tensores. También incluye un conjunto de herramientas de evaluación para medir la precisión del pronóstico y los intervalos de incertidumbre, así como utilidades para la persistencia de conjuntos de datos utilizando formatos como Arrow y Parquet. El framework soporta el despliegue de modelos de pronóstico dentro de la infraestructura en la nube.

sitespeed.io es una herramienta de análisis de rendimiento web y sistema de monitoreo diseñado para medir la velocidad del sitio web y las Core Web Vitals utilizando navegadores reales. Funciona como una suite de regresión de rendimiento y un monitor de rendimiento del navegador, permitiendo la aplicación de presupuestos de rendimiento para detectar y bloquear regresiones de velocidad. El proyecto se distingue por su framework de pruebas en dispositivos reales, que ejecuta auditorías de rendimiento en hardware físico Android e iOS a través de conexiones USB. Incluye una herramienta especializada para generar y comparar archivos HTTP Archive para diagnosticar cuellos de botella en la red, junto con la integración para ejecutar auditorías de Lighthouse para capturar métricas de calidad y accesibilidad de la página. El sistema cubre una amplia gama de capacidades, incluyendo auditoría de velocidad sintética, análisis de tráfico de red y pruebas de rendimiento continuas. Proporciona herramientas de observabilidad para rastrear el consumo de energía del dispositivo, estimar el impacto ambiental y exportar datos de series temporales a bases de datos externas para el monitoreo de tendencias a largo plazo. Las pruebas se pueden gestionar a través de una interfaz de línea de comandos o un sistema de despliegue basado en web utilizando configuraciones impulsadas por JSON.

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 es una librería de trading algorítmico en Python diseñada para desarrollar, realizar backtesting y ejecutar estrategias de trading automatizadas. Proporciona un framework integral para backtesting de estrategias financieras, una librería de análisis técnico para calcular indicadores matemáticos y conectores para la integración con exchanges de criptomonedas. El proyecto se distingue por soportar trading basado en sentimiento mediante la integración de feeds de redes sociales en tiempo real y flujos de palabras clave. Incluye una herramienta de visualización de trading cuantitativo para graficar la acción del precio y curvas de capital de la cartera, junto con optimización de parámetros en paralelo para identificar la configuración de estrategia más efectiva. La librería cubre un amplio rango de capacidades, incluyendo la construcción de pipelines de datos financieros para la ingesta y remuestreo de datos de mercado, gestión del ciclo de vida de órdenes tanto para trading real como en papel (paper trading), y análisis de rendimiento cuantitativo para calcular retornos ajustados al riesgo y drawdowns. También incluye herramientas para análisis técnico, como bandas de volatilidad e indicadores de momentum, así como simulaciones que consideran el deslizamiento de órdenes (slippage) y comisiones de transacción.

Neural Prophet es una biblioteca de pronóstico de series temporales basada en PyTorch diseñada para el aprendizaje automático interpretable. Sirve como un framework de descomposición que divide las señales en partes constituyentes como efectos autorregresivos, tendencias lineales por partes y estacionalidad basada en Fourier para predecir valores futuros. El proyecto se distingue por combinar redes neuronales con algoritmos tradicionales para producir pronósticos que explican los impulsores de tendencia subyacentes. Cuenta con un enfoque de modelado de series temporales global, lo que permite que un solo modelo se entrene en múltiples series simultáneas para compartir patrones aprendidos mientras se mantienen especificidades locales. Además, actúa como una herramienta de cuantificación de incertidumbre, empleando regresión de cuantiles y predicción conforme para generar intervalos de predicción confiables. La biblioteca proporciona un conjunto completo de capacidades para la gestión de datos, incluyendo la recuperación de días festivos, llenado de brechas y normalización. Cubre el ciclo de vida completo del modelado con optimización automatizada de hiperparámetros, detección de puntos de cambio de tendencia y la integración de regresores futuros y rezagados. El análisis se apoya a través de la descomposición de pronósticos y la atribución de entradas para visualizar cómo factores específicos influyen en las predicciones finales.

Nixtla is a time series analysis platform centered on a transformer-based foundation model. It provides zero-shot inference for forecasting and anomaly detection, allowing the system to predict future values for new time series without requiring model retraining. The project is designed for large-scale analysis, using distributed inference scaling and forecast parallelization to process millions of data series. It supports fine-tuning adaptation to adjust pretrained weights for domain-specific datasets and offers deployment options ranging from local execution and private containers to integr

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