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。

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。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1230

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队qingsongedu

所属国家

官网地址

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

定价模式free

价格说明开源项目，完全免费，无付费版本。

访问状态

是否开源是

开源协议

主要语言

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

GitHub 星标★ 1230

30天Star增速

HF 下载量

上线时间2023-06-10 00:00:00

最近更新2026-09-22 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

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。

如何确认成功

克隆后能在本地 README.md 中看到按任务与数据类型划分的资源条目，且各条目链接可正常跳转。

常见问题

Q：这个仓库需要安装 Python 或配置 GPU 吗？

A：不需要。它是论文、代码、数据链接的精选索引，本身不含可运行代码；实际运行需前往各条目对应的子项目按其说明部署。

Q：我要做异常检测，怎么快速找到对应模型？

A：在 README 中按任务类型定位到异常检测（anomaly detection）分类，再结合数据类型（时间序列/时空/事件）筛选条目并点开对应代码链接。

Q：README 里没有安装步骤，是不是我漏看了？

A：不是。该项目定位为 awesome 资源列表，README 只提供索引与综述信息，不提供安装或运行命令。

Q：如何把新论文补充进去？

A：README 明确邀请通过 open issue 或 pull request 提交遗漏的资源（论文/代码）或纠错，按现有分类格式添加即可。

注意事项

本仓库是资源索引列表，不是可运行的模型或库，不要期待 pip install 之类的部署流程。
列表会持续更新最新成果，建议 star 或 watch 仓库以便获取新增论文与代码。
使用其中的论文与代码时，请按 README 提供的 BibTeX 引用对应综述论文。

核心亮点

分类清晰：按模型类型、任务、数据类型多维分类，便于检索。
覆盖全面：收录了数百篇论文和代码，涵盖最新研究热点。
持续更新：社区维护，定期添加新论文，保持时效性。

不足之处

深度有限：仅提供链接和简介，缺乏对比分析和选型建议。
文档/社区待观察：项目以列表为主，互动和讨论较少。

适用场景

科研人员调研时间序列大模型的研究现状。
工程师寻找可用于预测或异常检测的预训练模型。
学生入门学习时空数据建模的前沿方向。

替代项目

Awesome-Time-Series、Awesome-LLM、Time-Series-Library

项目介绍

Awesome-TimeSeries-SpatioTemporal-LM-LLM 是开源模型领域的开源项目，由 qingsongedu 开发，2023 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,230）位列前 30%，在开源模型分类中处于中上游。

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 2026-09-22。完全免费，无付费版本。

它主要面向的使用场景是：科研人员调研时间序列大模型的研究现状。同类可对比的替代方案包括 Awesome-Time-Series、Awesome-LLM、Time-Series-Library。

上一篇：MooER

下一篇：Build-a-Large-Language-Model-from-Scratch