مدل های تک مرحله ای

ساده ترین مدلی که می توانید بر اساس این نوع داده ها بسازید، مدلی است که مقدار یک ویژگی را تنها در شرایط فعلی، 1 برابر گام (1 ساعت) در آینده پیش بینی می کند. بنابراین با ایجاد مدل هایی برای پیش بینی مقدار یک ساعت (T (degC در آینده شروع کنید.

این آموزش مقدمه ای برای پیش بینی سری زمانی با استفاده از TensorFlow است. چند مدل مختلف از جمله شبکه های عصبی Convolutional و Recurrent یعنی (CNN ها و RNN ها) را ایجاد می کند.

این در دو بخش اصلی، با زیر بخش ها پوشش داده شده است:

• پیش بینی برای یک بازه زمانی واحد:
• یک ویژگی واحد
• همه ویژگی ها

پرسپترون چند لایه یا به اختصار MLP می توانند برای پیش بینی سری زمانی استفاده شوند. چالشی در استفاده از MLP برای پیش بینی سری زمانی در تهیه داده ها وجود دارد. به طور خاص، مشاهدات تأخیر (لگ) مشاهداتی باید به بردارهای اجزا مسطح شود. در این آموزش، شما می آموزید که چگونه مجموعه ای از مدل های MLP را برای طیف وسیعی از مسائل پیش بینی سری زمانی استاندارد ایجاد کنید. هدف این آموزش ارائه نمونه های مستقل از هر مدل در مورد هر نوع مسئله سری زمانی به عنوان الگویی است که می توانید آن را کپی کرده و برای مشکل پیش بینی سری زمانی خاص خود تطبیق دهید.

ابزار HEC-GridUtil برای ارائه، نمایش، پردازش، و قابلیت های تجزیه و تحلیل مجموعه داده های ذخیره شده در فرمت مشبک HEC-DSS (سیستم ذخیره سازی داده مرکز مهندسی هیدرولوژیک) طراحی شده است. یک توالی یا دنباله از شبکه معمولا تخمینی از یک متغیر از طریق اندازه گیری مختلف یک کمیت به واسطه بازه های زمانی ثابت در یک مکان ثابت است. انواع غالب داده مشبک یا GRID در DSS به طور منظم دارای فاصله زمانی سری از متغیرهای هیدرولوژیکی هستند، مانند مرحله 3 NEXRAD (رادار نسل آینده) بارش یا متوسط دمای روزانه هوا در سراسر حوضه.

سری زمانی اطلاعات مکانی امروزه به طور فزاینده ای به عنوان یک جریان غالب و مهم برنامه های هیدرولوژیکی  تبدیل شده اند، اما آنها با چالش هایی در مورد ذخیره سازی استاندارد و نمایه سازی روبرو خواهند شد. ساختار داده ها در شبکه بندی HEC-DSS ذخیره سازی و بازیابی بسیار موثری از مجموعه داده هایی که حاوی تنها یک پارامتر هستند را فراهم می کند، ارائه شدن در همان واحدها، پوشش سلول های همان شبکه (از نظر میزان فضایی و تعریف هماهنگی)، و در یک فاصله زمانی ثابت.