flow forecast

时间序列的深度学习预测，分类和异常检测

文档Codecov CodeFactor

入门

使用库

1. 运行pip install flood-forecast
2. 有关培训模型的详细信息可以在Wiki上找到。
3. 查看我们的汇合文档

当前支持的模型

1. Vanilla LSTM（LSTM）：适用于多元时间序列的预测和转移学习的基本LSTM。
2. 完整的变压器（Model_dict中的SimpleTransFormer）：带有所有8个编码器和解码器块的完整原始变压器。需要通过推理将目标传递。
3. 简单的多头注意（多头简单）：简单的多头注意块和线性嵌入层。适合转移学习。
4. 带有线性解码器的变压器（Model_dict中的CustomTransFormerDecoder）：具有N编码器块（这是可调的）和线性解码器的变压器。适用于预测，分类或异常检测。
5. da-rnn ：（ darn）一个圆润的模型，它利用LSTM +注意力。
6. 增强局部性并破坏变压器的内存瓶颈在时间序列预测中（在model_dict中称为解码器）：
7. 变压器XL：时间序列的移植变压器XL。
8. 告密者：超出有效的变压器，用于长序列时间序列预测（告密者）
9. Deepar
10. DSANET：带有其他可选参数的DSANET纸的模型。
11. 简单的线性模型（SimpleElineArmodel）：本质上是一个具有更多层的线性回归模型。非常适合快速的特征和可解释性原型。
12. 带有可选概率输出层的香草gru。适用于多元时间序列的预测和分类。
13. AAAI纸的Dlinear和Nlinear对于时间序列有效预测有效
14. ICLR 2023的交叉形象
15. 异常变压器
16. TSMIXER
17. 倒变压器 +各种注意机制

即将到来的模型

我们有许多模型正在计划即将发布。请检查我们的项目委员会以获取更多信息

集成

Google云平台

重量和偏见

贡献

有关贡献的说明，请参阅我们的贡献页面和我们的项目委员会。

历史河流流数据

任务1流流预测

该任务的重点是预测流的未来流量/高度（分别在CFS或英尺中），例如当前流动，温度和降水等因素。将来，我们计划添加更多的变量，以帮助水流预测，例如雪包数据和周围的土壤水分指数。

任务2洪水严重性预测

任务二的重点是根据洪水预测，人口信息和地形来预测洪水的严重程度。洪水严重程度是基于几个因素定义的，包括伤害次数，财产损失和作物损害。

如果您使用此存储库中的数据或代码，请使用以下引用。另外，请引用模型的原始作者。

 @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}
}