flow forecast

การเรียนรู้อย่างลึกซึ้งสำหรับการพยากรณ์อนุกรมเวลาการจำแนกและการตรวจจับความผิดปกติ

เอกสาร Codecov codefactor

เริ่มต้น

ใช้ห้องสมุด

1. เรียกใช้ pip install flood-forecast
2. ข้อมูลรายละเอียดเกี่ยวกับรูปแบบการฝึกอบรมสามารถพบได้ในวิกิ
3. ตรวจสอบเอกสารการบรรจบกันของเรา

รุ่นรองรับปัจจุบัน

1. วานิลลา LSTM (LSTM): LSTM พื้นฐานที่เหมาะสำหรับการพยากรณ์อนุกรมเวลาหลายตัวแปรและการเรียนรู้การถ่ายโอน
2. Full Transformer (SimpleTransformer ใน model_dict): หม้อแปลงดั้งเดิมเต็มรูปแบบพร้อมบล็อกตัวเข้ารหัสและตัวถอดรหัสทั้งหมด 8 รายการ ต้องผ่านเป้าหมายในการอนุมาน
3. ความสนใจแบบหลายหัวอย่างง่าย (MultiheadSimple): บล็อกความสนใจหลายหัวอย่างง่ายและเลเยอร์ฝังเชิงเส้น เหมาะสำหรับการถ่ายโอนการเรียนรู้
4. หม้อแปลงที่มีตัวถอดรหัสเชิงเส้น (CustomTransformerDecoder ใน model_dict): หม้อแปลงที่มีบล็อก n-encoder (สามารถปรับได้) และตัวถอดรหัสเชิงเส้น เหมาะสำหรับการพยากรณ์การจำแนกหรือการตรวจจับความผิดปกติ
5. da-rnn: (darnn) โมเดลโค้งมนที่ดีซึ่งใช้ประโยชน์จาก LSTM +
6. เพิ่มตำแหน่งและการทำลายคอขวดของหน่วยความจำของหม้อแปลงในการพยากรณ์อนุกรมเวลา (เรียกว่า decoderTransformer ใน model_dict):
7. Transformer XL: Porting Transformer XL สำหรับอนุกรมเวลา
8. ผู้แจ้ง: เกินหม้อแปลงที่มีประสิทธิภาพสำหรับการพยากรณ์ซีรีส์ตามลำดับเวลาที่ยาวนาน (Informer)
9. ลึกล้ำ
10. DSANET: โมเดลจากกระดาษ DSANET พร้อมพารามิเตอร์เสริมเพิ่มเติม
11. แบบจำลองเชิงเส้นแบบง่าย (SimpleLinearModel): โดยพื้นฐานแล้วโมเดลการถดถอยเชิงเส้นที่มีเลเยอร์อีกสองสามชั้น เหมาะสำหรับการสร้างต้นแบบอย่างรวดเร็วของคุณสมบัติและความสามารถในการตีความ
12. วานิลลากรูพร้อมเลเยอร์เอาต์พุตที่เป็นไปได้ เหมาะสำหรับการพยากรณ์อนุกรมเวลาหลายตัวแปรและการจำแนกประเภท
13. DLINEAR และ NLINEAR จากกระดาษ AAAI นั้นมีประสิทธิภาพในการพยากรณ์อนุกรมเวลา
14. Crossformer จาก ICLR 2023
15. หม้อแปลงผิดปกติ
16. TSMIXER
17. หม้อแปลงกลับด้าน + กลไกความสนใจต่าง ๆ

รุ่นที่กำลังจะมาถึง

เรามีหลายรุ่นที่เราวางแผนจะปล่อยเร็ว ๆ นี้ โปรดตรวจสอบคณะกรรมการโครงการของเราสำหรับข้อมูลเพิ่มเติม

การรวมกัน

แพลตฟอร์ม Google Cloud

น้ำหนักและอคติ

การบริจาค

สำหรับคำแนะนำเกี่ยวกับการบริจาคโปรดดูหน้าการบริจาคของเราและบอร์ดโครงการของเรา

ข้อมูลการไหลของแม่น้ำประวัติศาสตร์

งาน 1 การพยากรณ์การไหลของสตรีม

งานนี้มุ่งเน้นไปที่การพยากรณ์การไหล/ความสูงในอนาคตของสตรีม (ใน CFS หรือ FEET ตามลำดับ) ที่ได้รับเช่นการไหลของกระแสอุณหภูมิและการตกตะกอนในปัจจุบัน ในอนาคตเราวางแผนที่จะเพิ่มตัวแปรเพิ่มเติมที่ช่วยในการทำนายการไหลของกระแสเช่นข้อมูลแพ็คหิมะและดัชนีความชื้นในดินโดยรอบ

งาน 2 การพยากรณ์ความรุนแรงของน้ำท่วม

ภารกิจที่สองมุ่งเน้นไปที่การทำนายความรุนแรงของน้ำท่วมตามการพยากรณ์น้ำท่วมข้อมูลประชากรและภูมิประเทศ ความรุนแรงของน้ำท่วมถูกกำหนดขึ้นอยู่กับปัจจัยหลายประการรวมถึงจำนวนการบาดเจ็บความเสียหายต่อทรัพย์สินและความเสียหายของพืช

หากคุณใช้ข้อมูลหรือรหัสจากที่เก็บนี้โปรดใช้การอ้างอิงด้านล่าง นอกจากนี้โปรดอ้างอิงผู้เขียนดั้งเดิมของรุ่น

 @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}
}