flow forecast

時系列予測、分類、および異常検出のための深い学習

ドキュメントコードコフCodeFactor

はじめる

ライブラリを使用します

1. pip install flood-forecast実行します
2. トレーニングモデルの詳細情報は、Wikiで見つけることができます。
3. Confluenceドキュメントをご覧ください

現在サポートされているモデル

1. Vanilla LSTM（LSTM）：多変量時系列予測と転送学習に適した基本的なLSTM。
2. Full Transformer（Model_DictのSimpleTransFormer）：8つのエンコーダーブロックとデコーダーブロックすべてを備えた完全なオリジナルトランス。ターゲットを推論で渡す必要があります。
3. シンプルなマルチヘッド注意（MultiHeadSimple）：シンプルなマルチヘッド注意ブロックと線形埋め込み層。転送学習に適しています。
4. 線形デコーダーを備えた変圧器（Model_Dictのカスタムトランスフォーマルデコーダー）：nエンコーダーブロックを備えたトランス（これは調整可能）と線形デコーダー。予測、分類、または異常検出に適しています。
5. DA-RNN ：（ darn）LSTM +の注意を使用する丸みを帯びたモデル。
6. 時系列予測（Model_dictのDecoderTransformerと呼ばれる）で、局所性を高め、変圧器のメモリボトルネックを破壊する：
7. トランスXL：時系列用のトランスXLの移植。
8. 情報提供者：長いシーケンスのための効率的な変圧器を超えて、タイムシリーズ予測（情報提供者）
9. 深い
10. DSANET：追加のオプションパラメーターを備えたDSANETペーパーのモデル。
11. シンプルな線形モデル（SimpleLinearModel）：本質的にいくつかのレイヤーを備えた線形回帰モデル。機能と解釈性の迅速なプロトタイピングに最適です。
12. オプションの確率論的出力層を備えたバニラGru。多変量の時系列予測と分類に適しています。
13. AAAIペーパーからのdlinearとnlinearは、時系列予測に有効な変圧器です
14. ICLR 2023のクロスフォーマー
15. 異常トランス
16. tsmixer
17. 倒立変圧器 +さまざまな注意メカニズム

今後のモデル

間もなくリリースする予定のモデルが多数あります。詳細については、プロジェクトボードを確認してください

統合

Googleクラウドプラットフォーム

重みとバイアス

貢献

貢献の手順については、貢献ページとプロジェクトボードをご覧ください。

歴史的な河川流量データ

タスク1ストリームフロー予測

このタスクは、流れ、温度、降水量などの要因を与えられた、ストリームの将来のフロー/高さ（それぞれCFSまたは足）を予測することに焦点を当てています。将来的には、スノーパックデータや周囲の土壌水分指数などのストリームフロー予測に役立つ変数を追加する予定です。

タスク2洪水の重大度予測

タスク2は、洪水予測、人口情報、地形に基づいて洪水の重症度を予測することに焦点を当てています。洪水の重症度は、注射数、物的損害、作物の損傷の数など、いくつかの要因に基づいて定義されます。

このリポジトリのデータまたはコードのいずれかを使用する場合は、以下の引用を使用してください。さらに、モデルの元の著者を引用してください。

 @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}
}