flow forecast

Pembelajaran mendalam untuk peramalan deret waktu, klasifikasi, dan deteksi anomali

Dokumentasi Codecov Codefactor

Memulai

Menggunakan perpustakaan

1. Jalankan pip install flood-forecast
2. Info terperinci tentang model pelatihan dapat ditemukan di wiki.
3. Lihat dokumentasi Confluence kami

Model saat ini didukung

1. Vanilla LSTM (LSTM): LSTM dasar yang cocok untuk peramalan seri waktu multivariat dan pembelajaran transfer.
2. Transformator penuh (SimpleTransformer di Model_Dict): Transformator asli penuh dengan semua 8 encoder dan blok dekoder. Membutuhkan target dalam inferensi.
3. Perhatian Multi-Head Sederhana (MultiheadSimple): Blok perhatian multi-head sederhana dan lapisan embedding linier. Cocok untuk transfer pembelajaran.
4. Transformer dengan decoder linier (CustomTransformerDecoder di Model_dict): Transformator dengan blok N-encoder (ini dapat merdu) dan decoder linier. Cocok untuk peramalan, klasifikasi atau deteksi anomali.
5. DA-RNN: (DARNN) Model bulat yang baik yang menggunakan perhatian LSTM +.
6. Meningkatkan lokalitas dan memecahkan hambatan memori transformator pada peramalan seri waktu (disebut decoderTransformer dalam model_dict):
7. Transformer XL: Porting Transformer XL untuk deret waktu.
8. Informan: Di luar transformator yang efisien untuk peramalan seri waktu yang lama (informan)
9. Deepar
10. DSANET: Model dari kertas DSanet dengan parameter opsional tambahan.
11. Model linier sederhana (SimpleLineArModel): Pada dasarnya model regresi linier dengan beberapa lapisan lagi. Bagus untuk prototipe cepat fitur dan interpretabilitas.
12. Vanilla Gru dengan lapisan output probablistik opsional. Baik untuk peramalan dan klasifikasi seri waktu multivariat.
13. Dinier dan nlinier dari kertas AAAI adalah transformer yang efektif untuk peramalan deret waktu
14. Crossformer dari ICLR 2023
15. Transformator anomali
16. Tsmixer
17. Transformator terbalik + berbagai mekanisme perhatian

Model yang akan datang

Kami memiliki sejumlah model yang kami rencanakan segera dirilis. Silakan periksa papan proyek kami untuk info lebih lanjut

Integrasi

Google Cloud Platform

Bobot dan bias

Berkontribusi

Untuk instruksi tentang kontribusi, silakan lihat halaman Kontribusi kami dan Dewan Proyek kami.

Data aliran sungai historis

Tugas 1 Peramalan Aliran Aliran

Tugas ini berfokus pada peramalan aliran/tinggi di masa depan aliran (baik di CFS atau kaki masing -masing) yang diberikan faktor -faktor seperti aliran arus, suhu, dan curah hujan. Di masa depan kami berencana untuk menambahkan lebih banyak variabel yang membantu dengan prediksi aliran aliran seperti data paket salju dan indeks kelembaban tanah di sekitarnya.

Tugas 2 Peramalan keparahan banjir

Tugas dua berfokus pada memprediksi keparahan banjir berdasarkan perkiraan banjir, informasi populasi, dan topografi. Tingkat keparahan banjir didefinisikan berdasarkan beberapa faktor termasuk jumlah cedera, kerusakan properti, dan kerusakan tanaman.

Jika Anda menggunakan data atau kode dari repositori ini, silakan gunakan kutipan di bawah ini. Selain itu silakan kutip penulis asli model.

 @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}
}