awesome-TS-anomaly-detection

टाइम-सीरीज़ डेटा पर विसंगति का पता लगाना के लिए उपकरणों और डेटासेट की सूची।

सभी सूचियाँ वर्णानुक्रम में हैं। सूचियों में, अनुरक्षित परियोजनाओं को गैर-अनुरक्षित परियोजनाओं पर प्राथमिकता दी जाती है। किसी रिपॉजिटरी को "अनुरक्षित नहीं" माना जाता है यदि नवीनतम कमिट 1 वर्ष से अधिक पुराना है, या लेखकों द्वारा स्पष्ट रूप से उल्लेख किया गया है।

🎓 यदि आपको यह संग्रह उपयोगी लगा और आप इसे उद्धृत करना चाहते हैं, तो कृपया उद्धरण नीति का पालन करें।

विसंगति पहचान सॉफ़्टवेयर

नाम	भाषा	विवरण	लाइसेंस	अनुरक्षित
Cuebook का CueObserve	Python3	SQL डेटा वेयरहाउस और डेटाबेस पर विसंगति पहचान।	Apache-2.0	✔️
Yahoo का EGADS	Java	GADS एक लाइब्रेरी है जिसमें कई विसंगति पहचान तकनीकें शामिल हैं जो कई उपयोग-मामलों पर लागू होती हैं, एक ही पैकेज में जिसकी एकमात्र निर्भरता Java है।	GPL	✔️
AIStream का flow-forecast	Python	टाइम सीरीज़ पूर्वानुमान, वर्गीकरण और विसंगति पहचान के लिए डीप लर्निंग PyTorch लाइब्रेरी (मूल रूप से बाढ़ पूर्वानुमान के लिए)।	GPL-3	✔️
Hastic	Python + node.js	Grafana-आधारित UI के साथ टाइम सीरीज़ डेटा के लिए विसंगति पहचान उपकरण।	GPL	✔️
Zillow का Luminaire	Python	Luminaire एक Python पैकेज है जो टाइम सीरीज़ डेटा के लिए ML-संचालित विसंगति पहचान और पूर्वानुमान समाधान प्रदान करता है।	Apache-2.0	✔️
MIDAS	C++	MIDAS, जो Microcluster-Based Detector of Anomalies in Edge Streams का संक्षिप्त रूप है, एज स्ट्रीम से स्थिर समय और मेमोरी में माइक्रोक्लस्टर विसंगतियों का पता लगाता है।	Apache-2.0	✔️
Orion	Python	Orion एक मशीन लर्निंग लाइब्रेरी है जो बिना पर्यवेक्षण वाली टाइम सीरीज़ विसंगति पहचान के लिए बनाई गई है, जो कई "सत्यापित" ML पाइपलाइन (उर्फ Orion पाइपलाइन) प्रदान करती है जो दुर्लभ पैटर्न की पहचान करती हैं और विशेषज्ञ समीक्षा के लिए उन्हें चिह्नित करती हैं।	MIT	✔️
OutlierDetection.jl

बेंचमार्क डेटासेट

Numenta का NAB

NAB स्ट्रीमिंग, रीयल-टाइम अनुप्रयोगों में विसंगति पहचान के लिए एल्गोरिदम का मूल्यांकन करने हेतु एक नया बेंचमार्क है। इसमें 50 से अधिक लेबल किए गए वास्तविक-विश्व और कृत्रिम टाइमसीरीज़ डेटा फ़ाइलें शामिल हैं, साथ ही रीयल-टाइम अनुप्रयोगों के लिए डिज़ाइन किया गया एक नया स्कोरिंग तंत्र भी शामिल है।

Yahoo का Webscope S5

डेटासेट में टैग किए गए विसंगति बिंदुओं के साथ वास्तविक और सिंथेटिक टाइम-सीरीज़ शामिल हैं। डेटासेट आउटलाइअर और चेंज-पॉइंट सहित विभिन्न विसंगति-प्रकारों की पहचान सटीकता का परीक्षण करता है।

2020 Skoltech का SKAB

SKAB (Skoltech Anomaly Benchmark) विसंगति पहचान के लिए एल्गोरिदम का मूल्यांकन करने के लिए डिज़ाइन किया गया है। बेंचमार्क में वर्तमान में 30+ डेटासेट के साथ-साथ एल्गोरिदम के मूल्यांकन के लिए Python मॉड्यूल शामिल हैं। प्रत्येक डेटासेट टेस्टबेड पर स्थापित सेंसरों से एकत्रित एक बहु-चर टाइम सीरीज़ का प्रतिनिधित्व करता है। आउटलाइअर पहचान और चेंजपॉइंट पहचान समस्याओं को हल करने के परिणामों का मूल्यांकन करने के लिए सभी उदाहरण लेबल किए गए हैं।

2018 AIOps का KPI-Anomaly-Detection

डेटासेट में ग्राउंड ट्रुथ लेबल के साथ इंटरनेट कंपनियों के कई वास्तविक परिदृश्यों से KPI (की परफॉर्मेंस इंडेक्स) टाइम सीरीज़ डेटा शामिल है। अधिक विस्तृत विवरण के लिए नीचे क्लिक करें।

विवरण

डेटासेट में ग्राउंड ट्रुथ लेबल के साथ इंटरनेट कंपनियों के कई वास्तविक परिदृश्यों से KPI (की परफॉर्मेंस इंडेक्स) टाइम सीरीज़ डेटा शामिल है। KPI दो व्यापक श्रेणियों में आते हैं: सेवा KPI और मशीन KPI। सेवा KPI प्रदर्शन मेट्रिक्स हैं जो किसी वेब सेवा के आकार और गुणवत्ता को दर्शाते हैं, जैसे पेज प्रतिक्रिया समय, पेज व्यू और कनेक्शन त्रुटियों की संख्या। मशीन KPI प्रदर्शन संकेतक हैं जो मशीन (सर्वर, राउटर, स्विच) के स्वास्थ्य को दर्शाते हैं, जैसे CPU उपयोग, मेमोरी उपयोग, डिस्क IO, नेटवर्क कार्ड थ्रूपुट आदि।

डेटासेट विवरण:

विसंगति पहचान एल्गोरिदम को प्रशिक्षित करने के लिए, हमारे द्वारा प्रदान किया गया प्रशिक्षण KPI डेटा तालिका 1 में दिखाया गया है, जिसमें चार कॉलम शामिल हैं: KPI ID, टाइमस्टैम्प, उस समय KPI का मान, और क्या वह समय असामान्य है (लेबल)।

तालिका 1 प्रशिक्षण KPI डेटा उदाहरण

उद्धरण नीति

यदि आप इस रिपॉजिटरी को उद्धृत करना चाहते हैं, तो कृपया निम्नलिखित DOI का उपयोग करें:

या इस BibTex का उपयोग करें

 @article{medico2020, 
          title={rob-med/awesome-TS-anomaly-detection}, 
          DOI={10.5281/zenodo.3972944}, 
          abstractNote={A collection of tools and datasets for anomaly detection on time-series data.}, 
          publisher={Zenodo}, author={Roberto Medico}, year={2020}, month={Aug}}

darts	Python	darts टाइम सीरीज़ के आसान हेरफेर और पूर्वानुमान के लिए एक Python लाइब्रेरी है। इसमें ARIMA जैसे क्लासिक मॉडल से लेकर न्यूरल नेटवर्क तक विभिन्न प्रकार के मॉडल शामिल हैं।	Apache-2.0	✔️
ETNA	Python	etna टाइम सीरीज़ पूर्वानुमान और विश्लेषण के लिए एक Python लाइब्रेरी है जो अस्थायी डेटा संरचना को हमेशा ध्यान में रखती है। इसमें EDA और सत्यापन विधियों के साथ एकीकृत इंटरफ़ेस वाले विभिन्न प्रकार के पूर्वानुमान मॉडल शामिल हैं।	Apache-2.0	✔️
Amazon का GluonTS	Python	GluonTS MXNet के आसपास निर्मित संभाव्य टाइम सीरीज़ मॉडलिंग के लिए एक Python टूलकिट है। GluonTS टाइम सीरीज़ डेटासेट को लोड करने और उन पर पुनरावृति करने के लिए उपयोगिताएँ, प्रशिक्षण के लिए तैयार अत्याधुनिक मॉडल और अपने स्वयं के मॉडल परिभाषित करने के लिए बिल्डिंग ब्लॉक प्रदान करता है।	Apache-2.0	✔️
pmdarima	Python	R के auto.arima का scikit-learn-अनुकूल इंटरफ़ेस के साथ पोर्टिंग।	MIT	✔️
Facebook का Prophet	Python/R	Prophet टाइम सीरीज़ डेटा के पूर्वानुमान के लिए एक प्रक्रिया है। यह एक योगात्मक मॉडल पर आधारित है जहाँ गैर-रेखीय प्रवृत्तियों को वार्षिक और साप्ताहिक मौसमी, साथ ही छुट्टियों के साथ फिट किया जाता है।	BSD	✔️
PyFlux	Python	लाइब्रेरी में आधुनिक टाइम सीरीज़ मॉडल की अच्छी श्रृंखला है, साथ ही अनुमान विकल्पों (फ्रीक्वेंटिस्ट और बायेसियन) की एक लचीली श्रृंखला है जिसे इन मॉडलों पर लागू किया जा सकता है।	BSD 3-Clause	❌

Facebook का Kats	Python	Kats का लक्ष्य टाइम सीरीज़ विश्लेषण के लिए वन-स्टॉप समाधान प्रदान करना है, जिसमें पहचान, पूर्वानुमान, फीचर निष्कर्षण/एम्बेडिंग, बहु-चर विश्लेषण आदि शामिल हैं।	MIT	✔️
MatrixProfile	Python	एक Python 3 लाइब्रेरी जो मैट्रिक्स प्रोफाइल एल्गोरिदम का उपयोग करके टाइम सीरीज़ डेटा माइनिंग कार्यों को सभी के लिए सुलभ बनाती है।	Apache-2.0	✔️
Salesforce का Merlion	Python	Merlion: टाइम सीरीज़ इंटेलिजेंस के लिए एक मशीन लर्निंग फ्रेमवर्क, ARIMA सहित कई मॉडलों का समर्थन करता है।	BSD 3-Clause	✔️
SaxPy	Python	SAX का सामान्य कार्यान्वयन, साथ ही विसंगति पहचान के लिए HOTSAX।	GPLv2.0	✔️
sktime	Python	टाइम सीरीज़ के साथ मशीन लर्निंग के लिए एक एकीकृत फ्रेमवर्क। यह विशेष टाइम सीरीज़ एल्गोरिदम और scikit-learn-संगत उपकरण प्रदान करता है, जिससे कई सीखने की समस्याओं के लिए टाइम सीरीज़ मॉडल बनाए, ट्यून और सत्यापित किए जा सकते हैं।	BSD 3-Clause	✔️
sktime-dl	Python	sktime के लिए Tensorflow/Keras के साथ डीप लर्निंग हेतु एक एक्सटेंशन पैकेज।	BSD 3-Clause	✔️
Squey	C++	विज़ुअलाइज़ेशन सॉफ़्टवेयर जो प्रत्येक आउटलाइअर को प्रदर्शित करते हुए टाइमसीरीज़ की गहन खोज की अनुमति देता है।	MIT	✔️
Tigramite	Python	Tigramite एक कारणात्मक टाइम सीरीज़ विश्लेषण Python पैकेज है। यह उच्च-आयामी टाइम सीरीज़ डेटासेट से कारणात्मक ग्राफ़ का कुशलतापूर्वक पुनर्निर्माण करने और कारणात्मक मध्यस्थता और भविष्यवाणी विश्लेषण के लिए प्राप्त कारणात्मक निर्भरताओं को मॉडल करने की अनुमति देता है।	GPLv3.0	✔️
tsflex	Python	tsflex फीचर निष्कर्षण और प्रसंस्करण के लिए एक टाइम सीरीज़ टूलकिट है जो लचीला और कुशल दोनों है। यह पैकेज बहु-चर, अनियमित रूप से नमूना किए गए अनुक्रम डेटा पर स्ट्राइडेड-विंडो फीचर निष्कर्षण का समर्थन करता है।	MIT	✔️
tslearn	Python	tslearn एक Python पैकेज है जो टाइम सीरीज़ के विश्लेषण के लिए मशीन लर्निंग उपकरण प्रदान करता है। यह पैकेज scikit-learn, numpy और scipy लाइब्रेरी पर आधारित है।	BSD 2-Clause	✔️
seglearn	Python	Seglearn मशीन लर्निंग टाइम सीरीज़ या अनुक्रमों के लिए एक Python पैकेज है। यह विभाजन, फीचर निष्कर्षण, फीचर प्रोसेसिंग और अंतिम अनुमानक के लिए एक एकीकृत पाइपलाइन प्रदान करता है।	BSD 3-Clause	❌

Baidu का Curve	Python	Curve एक ओपन-सोर्स उपकरण है जो टाइम-सीरीज़ डेटा पर विसंगतियों को लेबल करने में मदद करता है।	Apache-2.0	❌
Microsoft का Taganomaly	R (डॉकराइज़्ड वेब ऐप)	टाइम सीरीज़ डेटा को टैग करने के लिए सरल उपकरण। एकल-चर और बहु-चर डेटा के लिए काम करता है, Twitter के AnomalyDetection पैकेज का उपयोग करके एक संदर्भ विसंगति भविष्यवाणी प्रदान करता है।	MIT	❌

0	1503831000	10.8	0
0	1503831060	12.3	1
...	...	...	...

KPI ID	टाइमस्टैम्प	मान
0	1503831000	10.8
0	1503831060	12.3
...	...	...

awesome-TS-anomaly-detection

सबसे लोकप्रिय

awesome-TS-anomaly-detection

विसंगति पहचान सॉफ़्टवेयर

संबंधित सॉफ़्टवेयर

पूर्वानुमान

टाइम-सीरीज़ विश्लेषण

लेबलिंग

बेंचमार्क डेटासेट

उद्धरण नीति