flow forecast

時間序列的深度學習預測，分類和異常檢測

文件Codecov CodeFactor

入門

使用庫

1. 運行pip install flood-forecast
2. 有關培訓模型的詳細信息可以在Wiki上找到。
3. 查看我們的匯合文檔

當前支持的模型

1. Vanilla LSTM（LSTM）：適用於多元時間序列的預測和轉移學習的基本LSTM。
2. 完整的變壓器（Model_dict中的SimpleTransFormer）：帶有所有8個編碼器和解碼器塊的完整原始變壓器。需要通過推理將目標傳遞。
3. 簡單的多頭注意（多頭簡單）：簡單的多頭注意塊和線性嵌入層。適合轉移學習。
4. 帶有線性解碼器的變壓器（Model_dict中的CustomTransFormerDecoder）：具有N編碼器塊（這是可調的）和線性解碼器的變壓器。適用於預測，分類或異常檢測。
5. da-rnn ：（ darn）一個圓潤的模型，它利用LSTM +注意力。
6. 增強局部性並破壞變壓器的內存瓶頸在時間序列預測中（在model_dict中稱為解碼器）：
7. 變壓器XL：時間序列的移植變壓器XL。
8. 告密者：超出有效的變壓器，用於長序列時間序列預測（告密者）
9. Deepar
10. DSANET：帶有其他可選參數的DSANET紙的模型。
11. 簡單的線性模型（SimpleElineArmodel）：本質上是一個具有更多層的線性回歸模型。非常適合快速的特徵和可解釋性原型。
12. 帶有可選概率輸出層的香草gru。適用於多元時間序列的預測和分類。
13. AAAI紙的Dlinear和Nlinear對於時間序列有效預測有效
14. ICLR 2023的交叉形象
15. 異常變壓器
16. TSMIXER
17. 倒變壓器 +各種注意機制

即將到來的模型

我們有許多模型正在計劃即將發布。請檢查我們的項目委員會以獲取更多信息

集成

Google雲平台

重量和偏見

貢獻

有關貢獻的說明，請參閱我們的貢獻頁面和我們的項目委員會。

歷史河流流數據

任務1流流預測

該任務的重點是預測流的未來流量/高度（分別在CFS或英尺中），例如當前流動，溫度和降水等因素。將來，我們計劃添加更多的變量，以幫助水流預測，例如雪包數據和周圍的土壤水分指數。

任務2洪水嚴重性預測

任務二的重點是根據洪水預測，人口信息和地形來預測洪水的嚴重程度。洪水嚴重程度是基於幾個因素定義的，包括傷害次數，財產損失和作物損害。

如果您使用此存儲庫中的數據或代碼，請使用以下引用。另外，請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}
}