flow forecast

Aprendizagem profunda para previsão de séries temporais, classificação e detecção de anomalia

Documentação Codecov Factor de código

Começando

Usando a biblioteca

1. Execute pip install flood-forecast
2. Informações detalhadas sobre modelos de treinamento podem ser encontradas no wiki.
3. Confira nossa documentação de confluência

Modelos atualmente suportados

1. Vanilla LSTM (LSTM): Um LSTM básico adequado para previsão de séries temporais multivariadas e aprendizado de transferência.
2. Transformador completo (SimpleTransformer em Model_dict): O transformador original completo com todos os 8 blocos de codificador e decodificador. Requer passar o alvo em inferência.
3. Atenção simples de várias cabeças (multiheadsimple): um simples bloco de atenção de várias cabeças e camadas de incorporação linear. Adequado para o aprendizado de transferência.
4. Transformador com um decodificador linear (CustomTransformerDecoder em Model_dict): um transformador com blocos N-codificadores (isso é ajustável) e um decodificador linear. Adequado para previsão, classificação ou detecção de anomalia.
5. DA-RNN: (Darnn) Um modelo bem arredondado com o qual utiliza uma atenção LSTM +.
6. Aprimorando a localidade e quebrando o gargalo da memória do transformador na previsão de séries temporais (chamado DecoderTransformer em Model_dict):
7. Transformador XL: Porting Transformer XL para séries temporais.
8. Informador: além do transformador eficiente para a previsão de série de tempo de sequência longa (informante)
9. Profunda
10. DSANET: Modelo do papel dsanet com parâmetros opcionais adicionais.
11. Modelo linear simples (SimpleLinearmodel): essencialmente um modelo de regressão linear com mais algumas camadas. Ótimo para prototipagem rápida de recursos e interpretabilidade.
12. Vanilla Gru com camada de saída probablística opcional. Bom para previsão e classificação de séries temporais multivariadas.
13. Dlinear e Nlinear do artigo AAAI são transformadores eficazes para previsão de séries temporais
14. Formulador Cross do ICLR 2023
15. Transformador de anomalia
16. Tsmixer
17. Transformador invertido + vários mecanismos de atenção

Próximos modelos

Temos vários modelos que planejamos lançar em breve. Por favor, verifique nosso quadro de projeto para obter mais informações

Integrações

Plataforma do Google Cloud

Pesos e preconceitos

Contribuindo

Para obter instruções sobre contribuição, consulte nossa página de contribuições e nosso quadro de projetos.

Dados históricos do fluxo do rio

Tarefa 1 Previsão de fluxo de fluxo

Esta tarefa se concentra na previsão do fluxo/altura futuro de um fluxo (em CFS ou pés, respectivamente), dados, como fluxo de corrente, temperatura e precipitação. No futuro, planejamos adicionar mais variáveis que ajudam na previsão de fluxo de fluxo, como dados de pacote de neve e o índice de umidade do solo circundante.

Tarefa 2 Previsão de gravidade da inundação

A Tarefa Dois se concentra em prever a gravidade da inundação com base na previsão de inundações, informações da população e topografia. A gravidade da inundação é definida com base em vários fatores, incluindo o número de lesões, danos à propriedade e danos à colheita.

Se você usar os dados ou o código deste repositório, use a citação abaixo. Além disso, cite os autores originais dos 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}
}