awesome-TS-anomaly-detection

Lista de herramientas y datasets para la detección de anomalías en datos de series temporales.

Todas las listas están en orden alfabético. En las listas, los proyectos mantenidos tienen prioridad frente a los no mantenidos. Se considera que un repositorio está "no mantenido" si el último commit tiene más de 1 año, o si los autores lo mencionan explícitamente.

🎓 Si esta colección te resulta útil y quieres citarla, sigue la política de citación.

Software de detección de anomalías

Nombre	Lenguaje	Descripción	Licencia	Mantenido
CueObserve de Cuebook	Python3	Detección de anomalías en almacenes de datos y bases de datos SQL.	Apache-2.0	✔️
EGADS de Yahoo	Java	GADS es una librería que contiene una serie de técnicas de detección de anomalías aplicables a muchos casos de uso en un solo paquete, con Java como única dependencia.	GPL	✔️
flow-forecast de AIStream	Python	Librería de deep learning basada en PyTorch para la predicción, clasificación y detección de anomalías en series temporales (originalmente para la predicción de inundaciones).	GPL-3	✔️
Hastic	Python + node.js	Herramienta de detección de anomalías para datos de series temporales con interfaz basada en Grafana.	GPL	✔️
Luminaire de Zillow	Python	Luminaire es un paquete de Python que proporciona soluciones de detección de anomalías y predicción basadas en ML para datos de series temporales.	Apache-2.0	✔️
MIDAS	C++	MIDAS, abreviatura de Microcluster-Based Detector of Anomalies in Edge Streams, detecta anomalías de microclúster en un flujo de aristas en tiempo y memoria constantes.	Apache-2.0	✔️
Orion	Python	Orion es una librería de machine learning creada para la detección no supervisada de anomalías en series temporales, que proporciona una serie de pipelines de ML “verificados” (también conocidos como pipelines Orion) que identifican patrones raros y los marcan para su revisión por expertos.	MIT	✔️
OutlierDetection.jl	Julia	Detección de valores atípicos (outliers) rápida, escalable y flexible con Julia.	MIT	✔️
PyOD	Python	PyOD es un kit de herramientas de Python completo y escalable para detectar objetos atípicos en datos multivariantes.	BSD 2-Clause	✔️
ruptures	Python	Ruptures es una librería de Python para la detección offline de puntos de cambio. Este paquete proporciona métodos para el análisis y la segmentación de señales no estacionarias.	BSD 2-Clause	✔️
Skyline de EarthGecko	Python3	Skyline es un sistema de detección de anomalías en tiempo real, diseñado para permitir la monitorización pasiva de cientos de miles de métricas.	MIT	✔️
Adaptive Alerting de Expedia.com	Java	Detección de anomalías en streaming con selección y ajuste automáticos de modelos.	Apache-2.0	❌
ADTK de Arundo	Python	Anomaly Detection Toolkit (ADTK) es un paquete de Python para la detección de anomalías en series temporales no supervisada / basada en reglas.	MPL 2.0	❌
AnomalyDetection de Twitter	R	AnomalyDetection es un paquete de R de código abierto para detectar anomalías que, desde un punto de vista estadístico, es robusto ante la presencia de estacionalidad y de una tendencia subyacente.	GPL	❌
Anomalyzer de Lytics	Go	Anomalyzer implementa un conjunto de pruebas estadísticas que arrojan la probabilidad de que un conjunto determinado de datos numéricos de entrada, típicamente una serie temporal, contenga comportamiento anómalo.	Apache-2.0	❌
banpei	Python	Detección de valores atípicos (teoría de Hotelling) y detección de puntos de cambio (transformación del espectro singular) para series temporales.	MIT	❌
banshee de Ele.me	Go	Sistema de detección de anomalías para métricas periódicas.	MIT	❌
CAD	Python	Detección contextual de anomalías para AD en tiempo real sobre datos en streaming (algoritmo ganador de la competición NAB de 2016).	AGPL	❌
Chaos Genius	Python	Motor de analítica impulsado por ML para la detección de valores atípicos/anomalías y el análisis de causas raíz.	MIT	❌
datastream.io de Mentat	Python	Un framework de código abierto para la detección de anomalías en tiempo real utilizando Python, Elasticsearch y Kibana.	Apache-2.0	❌
DeepADoTS	Python	Implementación y evaluación de 7 técnicas basadas en deep learning para la detección de anomalías en datos de series temporales.	MIT	❌
Donut	Python	Donut es un algoritmo no supervisado de detección de anomalías para KPIs estacionales, basado en Autoencoders Variacionales.	-	❌
LoudML	Python	Loud ML es un motor de inferencia de series temporales de código abierto construido sobre TensorFlow. Es útil para predecir datos, detectar valores atípicos y automatizar tus procesos utilizando conocimiento futuro.	MIT	❌
luminol de Linkedin	Python	Luminol es una librería ligera de Python para el análisis de datos de series temporales. Las dos funcionalidades principales que soporta son la detección de anomalías y la correlación. Puede utilizarse para investigar las posibles causas de una anomalía.	Apache-2.0	❌
Nupic de Numenta	C++	Numenta Platform for Intelligent Computing es una implementación de la Memoria Temporal Jerárquica (HTM).	AGPL	❌
oddstream	R	oddstream (Outlier Detection in Data Streams) ofrece soporte en tiempo real para la detección temprana de series anómalas dentro de una gran colección de datos de series temporales en streaming.	GPL-3	❌
PyOdds	Python	PyODDS es un sistema Python de extremo a extremo para la detección de valores atípicos con soporte de bases de datos. PyODDS proporciona algoritmos de detección de valores atípicos que admiten tanto datos estáticos como de series temporales.	MIT	❌
PySAD	Python	PySAD es un framework de detección de anomalías en streaming con varios modelos en línea y un conjunto completo de herramientas para la experimentación.	BSD 3-Clause	❌
rrcf	Python	Implementación del algoritmo Robust Random Cut Forest para la detección de anomalías en flujos de datos.	MIT	❌
Surus de Netflix	Java	Robust Anomaly Detection (RAD): una implementación de la PCA Robusta.	Apache-2.0	❌