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 este o bibliotecă de serii temporale probabilistice și un framework de prognoză prin deep learning. Oferă un toolkit pentru construirea, antrenarea și evaluarea arhitecturilor de rețele neuronale care prezic valori viitoare ca distribuții de probabilitate pentru a cuantifica incertitudinea. Proiectul se distinge prin suportul pentru prognoza zero-shot și integrarea unor abordări de modelare diverse, incluzând rețele neuronale probabilistice profunde și wrapper-e pentru biblioteci statistice externe precum Prophet și R forecast. Implementează primitive arhitecturale specializate precum convoluțiile cauzale și rețelele reziduale inversabile pentru a preveni scurgerea informațiilor și a mapa reprezentările latente în distribuții de probabilitate valide. Framework-ul acoperă o suprafață cuprinzătoare de inginerie a datelor, incluzând scalarea seriilor temporale, transformări bijective și modelare ierarhică. Utilizează Apache Arrow și Parquet pentru streaming-ul seturilor de date de înaltă performanță și gestionarea accesului aleatoriu. Pentru evaluarea modelului, include o suită de evaluare pentru măsurarea acurateței prognozei și a acoperirii probabilistice folosind metrici precum quantile loss și continuous rank probability scores. Biblioteca suportă implementarea modelului prin integrarea cu Amazon SageMaker.

GluonTS este un framework pentru prognoza probabilistică a seriilor temporale, conceput pentru a prezice valori viitoare ca distribuții de probabilitate cu intervale de încredere. Suportă atât antrenarea modelelor tradiționale, cât și prognoza zero-shot, unde modelele preantrenate generează predicții pentru serii noi fără antrenare suplimentară. Proiectul se distinge prin integrarea unei mari varietăți de abordări de prognoză într-un flux de lucru unificat. Aceasta include arhitecturi de deep learning precum rețelele neuronale recurente și convoluțiile cauzale, precum și integrarea modelelor statistice externe, a bibliotecii Prophet și a pachetelor R. Toolkit-ul oferă o suprafață cuprinzătoare pentru ingineria datelor de serii temporale, acoperind scalarea seturilor de date, divizarea și transformarea datelor temporale brute în tensori. Include, de asemenea, o suită de instrumente de evaluare pentru măsurarea acurateței prognozei și a intervalelor de incertitudine, precum și utilitare pentru persistența seturilor de date folosind formate precum Arrow și Parquet. Framework-ul suportă implementarea modelelor de prognoză în cadrul infrastructurii cloud.

sitespeed.io este un instrument de analiză a performanței web și un sistem de monitorizare conceput pentru a măsura viteza site-ului și Core Web Vitals folosind browsere reale. Acesta funcționează ca o suită de regresie a performanței și un monitor de performanță al browserului, permițând aplicarea bugetelor de performanță pentru a detecta și bloca regresiile de viteză. Proiectul se distinge prin framework-ul său de testare pe dispozitive reale, care execută audituri de performanță pe hardware fizic Android și iOS prin conexiuni USB. Include un instrument specializat pentru generarea și compararea fișierelor HTTP Archive pentru a diagnostica blocajele de rețea, alături de integrarea pentru executarea auditurilor Lighthouse pentru a captura metrici de calitate și accesibilitate a paginii. Sistemul acoperă o gamă largă de capabilități, inclusiv auditul sintetic al vitezei, analiza traficului de rețea și testarea continuă a performanței. Oferă instrumente de observabilitate pentru urmărirea consumului de energie al dispozitivului, estimarea impactului asupra mediului și exportul datelor de tip time-series către baze de date externe pentru monitorizarea tendințelor pe termen lung. Testele pot fi gestionate printr-o interfață în linie de comandă sau un sistem de deployment bazat pe web, utilizând configurații drive-uite de 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 este o bibliotecă Python pentru tranzacționare algoritmică, concepută pentru dezvoltarea, backtesting-ul și execuția strategiilor de tranzacționare automatizate. Oferă un framework cuprinzător pentru backtesting-ul strategiilor financiare, o bibliotecă de analiză tehnică pentru calcularea indicatorilor matematici și conectori pentru integrarea cu exchange-uri de criptomonede. Proiectul se distinge prin suportul pentru tranzacționarea bazată pe sentiment, prin integrarea fluxurilor de social media în timp real și a fluxurilor de cuvinte cheie. Dispune de un instrument de vizualizare a tranzacționării cantitative pentru reprezentarea grafică a evoluției prețurilor și a curbelor de capital, alături de optimizarea paralelă a parametrilor pentru a identifica cele mai eficiente setări ale strategiei. Biblioteca acoperă o gamă largă de capabilități, inclusiv construirea de pipeline-uri de date financiare pentru ingestia și resamplarea datelor de piață, gestionarea ciclului de viață al ordinelor atât pentru tranzacționarea live, cât și pentru cea de tip paper trading, și analiza performanței cantitative pentru calcularea randamentelor ajustate la risc și a drawdown-urilor. Include, de asemenea, instrumente pentru analiză tehnică, cum ar fi benzile de volatilitate și indicatorii de momentum, precum și simulări care iau în calcul slippage-ul ordinelor și comisioanele de tranzacționare.

Neural Prophet is a PyTorch-based time series forecasting library designed for interpretable machine learning. It serves as a decomposition framework that breaks signals into constituent parts such as autoregressive effects, piecewise linear trends, and Fourier-based seasonality to predict future values. The project distinguishes itself by combining neural networks with traditional algorithms to produce forecasts that explain underlying trend drivers. It features a global time series modeling approach, allowing a single model to be trained across multiple simultaneous series to share learned

Nixtla este o platformă de analiză a seriilor temporale centrată pe un model de bază bazat pe transformer. Oferă inferență zero-shot pentru prognoză și detectarea anomaliilor, permițând sistemului să prezică valori viitoare pentru noi serii temporale fără a necesita reantrenarea modelului. Proiectul este conceput pentru analiză la scară largă, utilizând scalarea inferenței distribuite și paralelizarea prognozelor pentru a procesa milioane de serii de date. Suportă adaptarea prin fine-tuning pentru a ajusta ponderile preantrenate pentru seturi de date specifice domeniului și oferă opțiuni de implementare variind de la execuție locală și containere private până la integrarea ca proceduri stocate în Snowflake. Capabilitățile includ prognoza cererii pe termen lung și intermitente, analiza scenariilor „ce-ar fi dacă” și cuantificarea incertitudinii predicțiilor. Sistemul oferă, de asemenea, un pipeline complet de inginerie a datelor pentru auditarea, curățarea și îmbogățirea datelor seriilor temporale cu variabile exogene și indicatori bazați pe dată. Fiabilitatea modelului este gestionată prin backtesting cu validare încrucișată, validarea acurateței prognozei și urmărirea experimentelor pentru logarea hiperparametrilor.

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