flow forecast

Глубокое обучение для прогнозирования временных рядов, классификации и обнаружения аномалий

Документация Кодеков CodeFactor

Начиная

Используя библиотеку

1. Запустить pip install flood-forecast
2. Подробную информацию о учебных моделях можно найти на вики.
3. Проверьте нашу документацию по слиянию

Модели поддерживаются в настоящее время

1. Vanilla LSTM (LSTM): базовый LSTM, который подходит для многомерного прогнозирования временных рядов и обучения передачи.
2. Полный трансформатор (SimpleTransformer in model_dict): полный оригинальный трансформатор со всеми 8 блоками энкодера и декодером. Требуется передача цели при выводе.
3. Простое многоугольное внимание (Multiadsimple): простой многоголовный блок внимания и линейные встраивающие слои. Подходит для обучения передачи.
4. Трансформатор с линейным декодером (CustomTransFormerDecoder in model_dict): трансформатор с блоками N-Encoder (это настраиваемо) и линейным декодером. Подходит для прогнозирования, классификации или обнаружения аномалий.
5. Da-rnn: (черт возьми) хорошо округленная модель, с которой использует внимание LSTM +.
6. Улучшение местности и разбивая узкое место в памяти трансформатора в прогнозировании временных рядов (называется Decodertransformer в model_dict):
7. Трансформатор XL: портирование трансформатор XL для временных рядов.
8. Информатор: Помимо эффективного трансформатора для прогнозирования длительной последовательности (информатор)
9. Дипар
10. DSANET: модель из бумаги DSANET с дополнительными дополнительными параметрами.
11. Простая линейная модель (SimpleLinearModel): по сути линейная регрессионная модель с несколькими слоями. Отлично подходит для быстрого прототипирования особенностей и интерпретации.
12. Ванильный Гру с необязательным вероятностным выходным слоем. Хорошо для многомерного прогнозирования и классификации временных рядов.
13. Dlinear и nlinear из бумаги AAAI - это трансформаторы, эффективные для прогнозирования временных рядов
14. Crossformer от ICLR 2023
15. Аномалия трансформатор
16. Tsmixer
17. Перевернутый трансформатор + различные механизмы внимания

Предстоящие модели

У нас есть ряд моделей, которые мы планируем вскоре выпустить. Пожалуйста, проверьте нашу проектную доску для получения дополнительной информации

Интеграции

Google Cloud Platform

Вес и смещения

Внося

Для получения инструкций, пожалуйста, см. Наша страница взносов и нашу проектную доску.

Исторические данные о потоке реки

Задача 1 Прогнозирование потока потока

Эта задача фокусируется на прогнозировании будущего потока/высоты потока (в CFS или ногах соответственно) с учетом таких факторов, как поток тока, температура и осадки. В будущем мы планируем добавить больше переменных, которые помогают при прогнозировании потока потока, таких как данные снега и окружающий индекс влажности почвы.

Задача 2 Прогнозирование тяжести наводнения

Задача вторая посвящена прогнозированию тяжести наводнения на основе прогноза наводнений, информации о популяции и топографии. Серьезность наводнения определяется на основе нескольких факторов, в том числе количество инвестиров, повреждения имущества и повреждения урожая.

Если вы используете либо данные, либо код из этого репозитория, используйте цитату ниже. Кроме того, пожалуйста, цитируйте оригинальных авторов моделей.

 @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}
}