访问官网
Github
Huggingface
文档
论文项目介绍：Flow Forecast
简介
Flow Forecast 是一个开源框架，专注于利用深度学习技术进行时间序列的预测、分类和异常检测。它集成了一系列尖端的模型和概念，提供了解释性指标、云提供商集成和模型服务功能的便利性。作为首个支持基于transformer模型的时间序列框架，Flow Forecast 为开发者提供了一个真正的端到端深度学习解决方案。
支持的功能
核心模型
Flow Forecast 支持多种流行的深度学习模型，以下是一些主要的模型类型：
- Vanilla LSTM：适用于多变量时间序列预测及迁移学习。
- Full Transformer：完整的transformer模型，具有所有8个编码器和解码器块。
- Simple Multi-Head Attention：简单的多头注意力机制，适合迁移学习。
- Custom Transformer Decoder：可用于预测、分类或异常检测，根据需求可调整的编码器块数。
- DA-RNN：结合LSTM和注意力机制的模型。
- Transformer XL：适用于时间序列的变体。
- Informer：专门为长序列时间序列预测设计。
- DeepAR 及其他多种变体。
即将推出的功能
项目团队计划推出更多的新模型，详细信息可以查看项目的计划板。
集成与扩展
Flow Forecast 支持与多种云服务的集成，例如Google云平台，还能够与Weights and Biases等工具联动，使得模型训练和管理更加高效。
项目贡献
Flow Forecast 是一个开源项目，欢迎开发者通过开发和提交pull request来贡献代码。具体的贡献指南和项目计划可以在项目的贡献页面找到。
历史数据和应用
项目另一大外显特色是对历史河流流量数据的利用：
- 任务 1：流动量预测：依据当下流量、气温和降水等因素预测流的未来流量/高度。
- 任务 2：洪水严重度预测：根据洪水预测数据、人口信息和地形等因素预测洪水的严重性。
引用
如果使用此项目中的数据或代码，请引用以下文档：
@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}
}
Flow Forecast 通过其丰富的模型和功能，不仅为时间序列问题提供了强有力的解决方案，还方便了研究和工业应用的发展。开发者和研究人员可以利用其强大的工具和社区支持，来更深入地研究时间序列的潜力和应用。
