flow forecast

Apprentissage en profondeur pour la prévision des séries chronologiques, la classification et la détection des anomalies

Documentation Codecov Codefactor

Commencer

Utilisation de la bibliothèque

1. Exécuter pip install flood-forecast
2. Des informations détaillées sur les modèles de formation peuvent être trouvées sur le wiki.
3. Consultez notre documentation Confluence

Modèles actuellement pris en charge

1. Vanilla LSTM (LSTM): un LSTM de base qui convient aux prévisions de séries chronologiques multivariées et à l'apprentissage du transfert.
2. Transformateur complet (SimpleTransFormer dans Model_Dict): le transformateur complet d'origine avec les 8 blocs d'encodeur et de décodeur. Nécessite de passer la cible à l'inférence.
3. Attention à plusieurs têtes simple (multi-alliant): un bloc d'attention multi-tête simple et des couches d'incorporation linéaires. Convient pour l'apprentissage du transfert.
4. Transformateur avec un décodeur linéaire (CustomTransFormerDeCoder dans Model_Dict): un transformateur avec des blocs d'encodeur N (ceci est accordable) et un décodeur linéaire. Convient pour les prévisions, la classification ou la détection d'anomalies.
5. DA-RNN: (sacrément) un modèle bien arrondi avec lequel utilise une attention LSTM +.
6. Améliorer la localité et briser le goulot d'étranglement de la mémoire de Transformer sur les prévisions de séries chronologiques (appelé DecoderTransformateur dans Model_Dict):
7. Transformateur XL: Portage Transformateur XL pour les séries chronologiques.
8. Informateur: au-delà du transformateur efficace pour les prévisions de séries chronologiques longues (informateur)
9. Deepar
10. DSANET: Modèle du papier DSANET avec des paramètres facultatifs supplémentaires.
11. Modèle linéaire simple (SimplelineArmodel): essentiellement un modèle de régression linéaire avec quelques couches supplémentaires. Idéal pour le prototypage rapide des caractéristiques et de l'interprétabilité.
12. Vanille GRU avec couche de sortie probable en option. Bon pour les prévisions et la classification des séries chronologiques multivariées.
13. Dlinear et Nlinear du papier AAAI sont des transformateurs efficaces pour les prévisions de séries chronologiques
14. CrossFormer de ICLR 2023
15. Transformateur d'anomalie
16. Tsmixer
17. Transformateur inversé + divers mécanismes d'attention

Modèles à venir

Nous avons un certain nombre de modèles que nous prévoyons de publier bientôt. Veuillez vérifier notre conseil de projet pour plus d'informations

Intégrations

Google Cloud Platform

Poids et préjugés

Contributif

Pour les instructions sur la contribution, veuillez consulter notre page de contributions et notre conseil de projet.

Données historiques du débit de la rivière

Tâche 1 Prévision du flux de flux

Cette tâche se concentre sur la prévision du flux / hauteur futur d'un flux (dans les CF ou les pieds respectivement), les facteurs donnés tels que le flux de courant, la température et les précipitations. À l'avenir, nous prévoyons d'ajouter plus de variables qui aident à la prédiction du flux de cours d'eau telles que les données des packs de neige et l'indice de l'humidité du sol environnant.

Tâche 2 Prévisions de gravité des inondations

La tâche deux se concentre sur la prévision de la gravité de l'inondation en fonction des prévisions d'inondation, des informations de la population et de la topographie. La gravité des inondations est définie sur la base de plusieurs facteurs, notamment le nombre de blessures, les dommages matériels et les dommages causés par les cultures.

Si vous utilisez les données ou le code de ce référentiel, veuillez utiliser la citation ci-dessous. De plus, veuillez citer les auteurs originaux des modèles.

 @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}
}