awesome-TS-anomaly-detection

Liste d'outils et de jeux de données pour la détection d'anomalies sur des données de séries temporelles.

Toutes les listes sont classées par ordre alphabétique. Dans les listes, les projets maintenus sont prioritaires par rapport aux projets non maintenus. Un dépôt est considéré comme « non maintenu » si le dernier commit date de plus d'un an, ou si cela est explicitement mentionné par les auteurs.

🎓 Si vous trouvez cette collection utile et souhaitez la citer, veuillez suivre la politique de citation.

Logiciels de détection d'anomalies

Nom	Langage	Description	Licence	Maintenu
CueObserve de Cuebook	Python3	Détection d'anomalies sur les entrepôts de données et bases de données SQL.	Apache-2.0	✔️
EGADS de Yahoo	Java	EGADS est une bibliothèque qui contient un certain nombre de techniques de détection d'anomalies applicables à de nombreux cas d'usage dans un seul package, avec Java comme seule dépendance.	GPL	✔️
flow-forecast d'AIStream	Python	Bibliothèque de deep learning PyTorch pour la prévision, la classification et la détection d'anomalies de séries temporelles (initialement conçue pour la prévision des crues).	GPL-3	✔️
Hastic	Python + node.js	Outil de détection d'anomalies pour les données de séries temporelles avec une interface basée sur Grafana.	GPL	✔️
Luminaire de Zillow	Python	Luminaire est un package Python qui fournit des solutions de détection d'anomalies et de prévision basées sur le ML pour les données de séries temporelles.	Apache-2.0	✔️
MIDAS	C++	MIDAS, acronyme de Microcluster-Based Detector of Anomalies in Edge Streams, détecte les anomalies de microclusters à partir d'un flux d'arêtes en temps et en mémoire constants.	Apache-2.0	✔️
Orion	Python	Orion est une bibliothèque de machine learning conçue pour la détection non supervisée d'anomalies dans les séries temporelles. Elle fournit un certain nombre de pipelines ML « vérifiés » (appelés pipelines Orion) qui identifient les schémas rares et les signalent pour examen par des experts.	MIT	✔️
OutlierDetection.jl	Julia	Détection d'anomalies rapide, évolutive et flexible avec Julia.	MIT	✔️
PyOD	Python	PyOD est une boîte à outils Python complète et évolutive pour détecter les objets aberrants dans les données multivariées.	BSD 2-Clause	✔️
ruptures	Python	Ruptures est une bibliothèque Python pour la détection hors ligne de points de rupture. Ce package fournit des méthodes pour l'analyse et la segmentation de signaux non stationnaires.	BSD 2-Clause	✔️
Skyline d'EarthGecko	Python3	Skyline est un système de détection d'anomalies en temps réel, conçu pour permettre la surveillance passive de centaines de milliers de métriques.	MIT	✔️
Adaptive Alerting d'Expedia.com	Java	Détection d'anomalies en streaming avec sélection et ajustement automatiques des modèles.	Apache-2.0	❌
ADTK d'Arundo	Python	Anomaly Detection Toolkit (ADTK) est un package Python pour la détection d'anomalies non supervisée / basée sur des règles dans les séries temporelles.	MPL 2.0	❌
AnomalyDetection de Twitter	R	AnomalyDetection est un package R open source permettant de détecter les anomalies de manière robuste, d'un point de vue statistique, en présence de saisonnalité et d'une tendance sous-jacente.	GPL	❌
Anomalyzer de Lytics	Go	Anomalyzer implémente une suite de tests statistiques qui renvoient la probabilité qu'un ensemble donné de données numériques, généralement une série temporelle, contienne un comportement anormal.	Apache-2.0	❌
banpei	Python	Détection d'anomalies (théorie de Hotelling) et détection de points de rupture (transformation du spectre singulier) pour les séries temporelles.	MIT	❌
banshee d'Ele.me	Go	Système de détection d'anomalies pour les métriques périodiques.	MIT	❌
CAD	Python	Détection contextuelle d'anomalies pour la détection d'anomalies en temps réel sur des données en streaming (algorithme vainqueur du concours NAB 2016).	AGPL	❌
Chaos Genius	Python	Moteur d'analyse propulsé par le ML pour la détection d'anomalies et l'analyse des causes racines.	MIT	❌
datastream.io de Mentat	Python	Un framework open source pour la détection d'anomalies en temps réel utilisant Python, Elasticsearch et Kibana.	Apache-2.0	❌
DeepADoTS	Python	Implémentation et évaluation de 7 techniques basées sur le deep learning pour la détection d'anomalies sur des données de séries temporelles.	MIT	❌
Donut	Python	Donut est un algorithme non supervisé de détection d'anomalies pour les KPI saisonniers, basé sur les autoencodeurs variationnels.	-	❌
LoudML	Python	Loud ML est un moteur d'inférence open source pour séries temporelles construit sur TensorFlow. Il est utile pour prévoir des données, détecter des anomalies et automatiser vos processus en utilisant la connaissance du futur.	MIT	❌
luminol de Linkedin	Python	Luminol est une bibliothèque Python légère pour l'analyse de données de séries temporelles. Les deux principales fonctionnalités qu'elle prend en charge sont la détection d'anomalies et la corrélation. Elle peut être utilisée pour étudier les causes possibles d'une anomalie.	Apache-2.0	❌
Nupic de Numenta	C++	Numenta Platform for Intelligent Computing est une implémentation de la mémoire temporelle hiérarchique (HTM).	AGPL	❌
oddstream	R	oddstream (Outlier Detection in Data Streams) fournit un support en temps réel pour la détection précoce de séries anormales au sein d'une grande collection de données de séries temporelles en streaming.	GPL-3	❌
PyOdds	Python	PyODDS est un système Python de bout en bout pour la détection d'anomalies avec support de base de données. PyODDS fournit des algorithmes de détection d'anomalies qui prennent en charge à la fois les données statiques et les séries temporelles.	MIT	❌
PySAD	Python	PySAD est un framework de détection d'anomalies en streaming avec divers modèles en ligne et un ensemble complet d'outils pour l'expérimentation.	BSD 3-Clause	❌
rrcf	Python	Implémentation de l'algorithme Robust Random Cut Forest pour la détection d'anomalies sur des flux de données.	MIT	❌
Surus de Netflix	Java	Robust Anomaly Detection (RAD) - Une implémentation de la PCA robuste.	Apache-2.0	❌