Awesome-TimeSeries-SpatioTemporal-LM-LLM

一网打尽时间序列与时空大模型资源，快速跟上前沿。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 95 🐛 待处理 3 👀 关注 32

GitHub ↗

GitHub 星标 ★ 1240

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，完全免费，无付费版本。

项目预览

Awesome-TimeSeries-SpatioTemporal-LM-LLM 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队qingsongedu

GitHubhttps://github.com/qingsongedu/Awesome-TimeSeries-SpatioTemporal-LM-LLM

定价模式🏷️完全免费

价格说明开源项目，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

技术栈/模型anomalydetection,autoscaling,deeplearning,forecasting,foundation-models,large-language-models,large-models,machinelearning,pre-training,rca,timeseries

GitHub 星标★ 1240

上线时间2023-06-10 00:00:00

代码更新2024-12-22

仓库体积41 KB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数7

项目介绍

这是一个精选列表，收录了用于时间序列、时空数据和事件数据的大语言模型（LLM）与基础模型（FM）的相关论文、代码和资源。它解决了该领域研究资料分散、难以追踪的问题，为研究人员和工程师提供了一个系统化的导航。项目按模型类型、任务类型和数据类型分类整理，涵盖预测、分类、异常检测、插补等任务，并持续更新最新研究成果。核心能力在于其结构化的索引和全面的覆盖范围，帮助用户快速定位相关文献和开源实现，从而加速研究与应用落地。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1240

技术标签

deeplearning forecasting foundation-models large-language-models machinelearning

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 5 分钟部署方式：本地安装 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 的网络环境
本地已安装 git（用于克隆仓库）
能打开 Markdown 文件的编辑器或浏览器
可访问 arXiv 等论文链接的网络

安装与启动步骤

1克隆资源仓库

把这份精选列表下载到本地，方便离线查阅和后续按分类检索。仓库体积小，几秒即可完成。
```
git clone https://github.com/qingsongedu/Awesome-TimeSeries-SpatioTemporal-LM-LLM.git
```
2阅读 README 目录

打开 README.md，按模型类型、任务类型（预测/分类/异常检测/插补）和数据类型的分类索引定位所需论文与代码。
```
cd Awesome-TimeSeries-SpatioTemporal-LM-LLM
```
3查阅综述论文

README 首推的综述论文对应 arXiv:2310.10196，先读它可快速建立时间序列与时空大模型的整体框架认知。
4引用与反馈贡献

若资源对你有帮助，可给仓库点 star 并按 README 给出的 BibTeX 引用综述；发现遗漏资源或错误时提交 issue 或 PR。