flow forecast

Aprendizaje profundo para pronósticos de series de tiempo, clasificación y detección de anomalías

Documentación Codecov Factorfactor

Empezando

Usando la biblioteca

1. Ejecute pip install flood-forecast
2. Se puede encontrar información detallada sobre modelos de capacitación en el wiki.
3. Consulte nuestra documentación de confluencia

Modelos actualmente compatibles

1. Vanilla LSTM (LSTM): un LSTM básico que es adecuado para el pronóstico y el aprendizaje de transferencia de series temporales multivariadas.
2. Transformador completo (SimpleTransformer en model_dict): el transformador original completo con los 8 bloques de codificadores y decodificadores. Requiere pasar el objetivo en la inferencia.
3. Atención simple de múltiples cabezas (múltiplesIsimple): un simple bloque de atención de múltiples cabezas y capas de incrustación lineal. Adecuado para el aprendizaje de transferencia.
4. Transformador con un decodificador lineal (CustomTransformerDeCoder en model_dict): un transformador con bloques de codificador N (esto es sintonizable) y un decodificador lineal. Adecuado para el pronóstico, clasificación o detección de anomalías.
5. DA-RNN: (Darnn) Un modelo bien redondeado con el que utiliza una atención LSTM +.
6. Mejorar la localidad y romper el cuello de botella de memoria del transformador en el pronóstico de la serie temporal (llamado decodertransformer en model_dict):
7. Transformador XL: Porting Transformer XL para series de tiempo.
8. Informer: más allá del transformador eficiente para el pronóstico de series de tiempo de secuencia larga (Informer)
9. Agudo
10. DSANET: Modelo desde el papel DSANET con parámetros opcionales adicionales.
11. Modelo lineal simple (SimpleLineIalModel): esencialmente un modelo de regresión lineal con algunas capas más. Ideal para la prototipos rápidos de características e interpretabilidad.
12. Vanilla Gru con capa de salida probable opcional. Bueno para el pronóstico y clasificación de series temporales multivariadas.
13. Dlinear y Nlinear del documento AAAI son transformadores efectivos para el pronóstico de series de tiempo
14. Crossformer de ICLR 2023
15. Transformador de anomalía
16. Tsmixer
17. Transformador invertido + varios mecanismos de atención

Próximos modelos

Tenemos una serie de modelos que planeamos lanzar pronto. Consulte nuestra Junta de Proyecto para obtener más información

Integración

Plataforma en la nube de Google

Pesos y prejuicios

Que contribuye

Para obtener instrucciones sobre la contribución, consulte nuestra página de contribuciones y nuestro tablero de proyectos.

Datos históricos de flujo del río

Tarea 1 Previsión de flujo de flujo

Esta tarea se centra en pronosticar el flujo/altura futuro de una corriente (en CFS o pies respectivamente) dados factores como el flujo de corriente, la temperatura y la precipitación. En el futuro, planeamos agregar más variables que ayuden con la predicción del flujo de la corriente, como los datos de la manada de nieve y el índice de humedad del suelo circundante.

Tarea 2 Pronóstico de gravedad de la inundación

La Tarea dos se centra en predecir la gravedad de la inundación en función del pronóstico de inundación, información de la población y topografía. La gravedad de la inundación se define en función de varios factores, incluido el número de injuires, daños a la propiedad y daños en los cultivos.

Si usa los datos o el código de este repositorio, utilice la cita a continuación. Además, cita a los autores originales de los modelos.

 @misc{godfried2020flowdb,
      title={FlowDB a large scale precipitation, river, and flash flood dataset},
      author={Isaac Godfried and Kriti Mahajan and Maggie Wang and Kevin Li and Pranjalya Tiwari},
      year={2020},
      eprint={2012.11154},
      archivePrefix={arXiv},
      primaryClass={cs.AI}
}