flow forecast

시계열 예측, 분류 및 이상 탐지를위한 딥 러닝

선적 서류 비치 Codecov CodeFactor

시작하기

도서관 사용

1. pip install flood-forecast 실행하십시오
2. 교육 모델에 대한 자세한 정보는 위키에서 찾을 수 있습니다.
3. 합류 문서를 확인하십시오

현재 지원되는 모델

1. 바닐라 LSTM (LSTM) : 다변량 시계열 예측 및 전송 학습에 적합한 기본 LSTM.
2. Full Transformer (Model_Dict의 SimplePransformer) : 8 개의 엔코더 및 디코더 블록이 모두있는 전체 원래 변압기. 대상을 추론에 전달해야합니다.
3. 간단한 멀티 헤드주의 (Multiheadsimple) : 간단한 멀티 헤드주의 블록 및 선형 임베딩 층. 이전 학습에 적합합니다.
4. 선형 디코더 (Model_Dict의 CustomTransformerDecoder)가있는 변압기 : N- 인코더 블록이있는 변압기 (이를 조정 가능) 및 선형 디코더. 예측, 분류 또는 이상 탐지에 적합합니다.
5. da-rnn : (darnn) LSTM +주의를 활용하는 잘 둥근 모델입니다.
6. 시계열 예측에서 트랜스포머의 로컬 향상 및 메모리 병목 현상 (Model_Dict에서 DecoderTransformer라고 함) :
7. 트랜스포머 XL : 시계열을위한 트랜스포머 XL 포팅.
8. 정보원 : 긴 시퀀스 시계열 예측을위한 효율적인 변압기 (Informer)
9. Deepar
10. DSANET : 추가 옵션 매개 변수가있는 DSANET 용지의 모델.
11. 간단한 선형 모델 (SimplelInearModel) : 본질적으로 몇 층이 더 많은 선형 회귀 모델. 특징과 해석 가능성의 빠른 프로토 타이핑에 적합합니다.
12. 옵션 프로 블리스 출력 계층이있는 바닐라 그루. 다변량 시계열 예측 및 분류에 좋습니다.
13. AAAI 용지의 dlinear 및 nlinear는 시계열 예측에 효과적인 변압기입니다.
14. ICLR 2023의 CrossFormer
15. 이상 변압기
16. tsmixer
17. 역 변압기 + 다양한주의 메커니즘

다가오는 모델

우리는 곧 출시 할 수있는 여러 모델이 있습니다. 자세한 내용은 프로젝트 보드를 확인하십시오

통합

Google 클라우드 플랫폼

무게와 편견

기여

기여에 대한 지침은 기여 페이지와 프로젝트 보드를 참조하십시오.

역사적인 강 흐름 데이터

작업 1 스트림 흐름 예측

이 작업은 전류 흐름, 온도 및 강수량과 같은 요인이 주어진 스트림의 미래 흐름/높이 (각각 CFS 또는 피트)를 예측하는 데 중점을 둡니다. 앞으로 우리는 스노우 팩 데이터 및 주변 토양 수분 지수와 같은 스트림 흐름 예측에 도움이되는 더 많은 변수를 추가 할 계획입니다.

작업 2 홍수 심각도 예측

과제 2는 홍수 예측, 인구 정보 및 지형에 따라 홍수의 심각성을 예측하는 데 중점을 둡니다. 홍수 심각도는 손상 수, 재산 피해 및 작물 손상을 포함한 몇 가지 요인에 따라 정의됩니다.

이 저장소의 데이터 또는 코드를 사용하는 경우 아래 인용을 사용하십시오. 또한 모델의 원래 저자를 인용하십시오.

 @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}
}