TimeSeriesGAN

用 GAN 生成逼真时间序列，搞定数据增强和异常检测

TimeSeriesGAN 是一个基于生成对抗网络（GAN）的时间序列分析工具，专注于合成数据生成、异常检测和插值。它利用 GAN 的生成能力来模拟真实时间序列数据的分布，从而生成高度逼真的合成数据，可用于数据增强、隐私保护或场景模拟。同时，项目集成了异常检测功能，能够识别时间序列中的异常模式；插值功能则用于填补数据中的缺失值。项目还集成了 Optuna 进行超参数自动调优，并支持 MLFlow 和 Databricks 进行实验跟踪和部署，适合在云端或企业级环境中使用。整体上，该项目为时间序列领域提供了一套生成式 AI 解决方案，但当前仍处于早期阶段，功能完整性和社区生态有待完善。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 70

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队BenChaliah

所属国家

官网地址

GitHubhttps://github.com/BenChaliah/TimeSeriesGAN

定价模式free

价格说明开源项目，本地部署，完全免费

访问状态

是否开源是

开源协议

主要语言Jupyter Notebook

技术栈/模型causal-convolution,databricks,dilated-convolution,generative-adversarial-network,hyperparameter-optimization,hyperparameter-tuning,mlops,spark,stock-market

GitHub 星标★ 70

30天Star增速

HF 下载量

上线时间2022-09-14 00:00:00

最近更新2025-11-26 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数5

使用教程

核心亮点

集成 Optuna 自动调参，降低手动调参成本
支持 MLFlow 和 Databricks，便于实验管理和云端部署
覆盖合成数据、异常检测、插值三大常见需求

不足之处

文档/社区待观察
项目早期，功能稳定性未经大规模验证

适用场景

生成合成时间序列数据用于模型训练或数据增强
检测工业传感器或金融时序中的异常点
填补时间序列中的缺失值以提升数据质量

替代项目

TimeGAN、DoppelGANger、TS-GAN

项目介绍

TimeSeriesGAN 是模型训练领域的开源项目，由 BenChaliah 开发，2022 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 70。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2025-11-26。本地部署，完全免费。

它主要面向的使用场景是：生成合成时间序列数据用于模型训练或数据增强。同类可对比的替代方案包括 TimeGAN、DoppelGANger、TS-GAN。

上一篇：mlops-hf-tf-vision-models

下一篇：ml-template-azure