阿姆斯特丹机器学习之夜

一大波图片来袭～～～

沉寂了许久的Transight终于要为之前的城市内涝预测的项目画上句号，总体效果还是不错滴，至于最终结果嘛，我们稍后再聊。这篇文章主要记录了我们被邀请参加的一个阿姆斯特丹的老牌meetup - digital ocean Amsterdam。

作为当天晚上唯一的演讲嘉宾，Transight成为全场主角，不管是我们的项目本身，还是我们的大数据分析方法都引起了与会参与者的极大兴趣。

除了一些投影连接的问题，基本上一切顺利～鼓掌

完整视频看这里：https://www.youtube.com/watch?v=_mp1qn-FyBY

事实上并没有125个人我觉得，估计有80-90人吧，不错哦。

前排小哥的点赞让我们蓬荜生辉，哈哈哈哈。印证了我一句话：坐第一排的都是戏精～

帅气的CTO被观众围住问问题

今天讲的主题是Urban Flood Prediction （城市内涝预测）

CTO正在深度分析数据的质量

机器学习之夜和核心内容：Seq2Seq 的LSTM深度学习模型。就是他帮助我们利用历史数据预测未来N个小时里每个小时的积水程度。注意⚠️，不是预测未来N个小时之后的积水，而是预测未来N小时之后以及在这N个小时里每个小时的积水情况。

举个例子来说，

如果模型仅仅预测未来三个小时后的积水情况。比如说现在是晚上7点，三个小时，也就是10点钟的时候积水是C类（50cm）。然后9点钟的时候的积水早在6点时候就已经给出了预测了，然后8点钟的积水早在5点的时候就给出了预测。某总角度上来看，这也是做到了预测未来3个小时，但是每次模型作出预测的时候并没有考虑到前一个小时的情况，而是一次全新的预测。

但是大家知道，城市内涝积水的特点就是速度快，空间集中。一个积水点的积水情况和降雨量，下水道状况，当前时段有没有积水等各种因素都息息相关。所以彻底抛开之前的积水情况不顾，单纯的预测下一个小时的积水是不够准确的。

同样的例子，晚上7点，我们的模型可以预测晚上10点积水情况以及这三个小时里每个小时的积水情况。从7点-8点，8点-9点，9点-10点。都给你清清楚楚预测出来。预测出了积水的趋势，预测出了每个时间的相关性。这样的信息对于决策者来说更有用，而且预测准确率本身也更高。

我们的模型经过测试，MAE20（mean absolute error，平均绝对误差）只有2，94. 也就是说如果预测有20cm的积水，我们预测误差只有不到正负3厘米。

下面是我们三个模型的准确率比较：

三个模型分别为基础模型，加上气象预测的模型和加上气象预测以及地理信息的模型。

不过在场的观众也提出了不少问题，其中有一个最让我感动的是一个印度小哥跑过来跟我说，你们这个模型开不开源？他说印度每年遭受洪灾，损失惨重。但是政府并没有很多钱去预测治理。如果我们能把算法模型开源的化他们到时候就可以省下不少金钱和时间去从头开始分析建模了，可以帮助他们落后的地区解决很大的问题。

我被你感动了，小哥哥，等我们项目真正落地后，我们就把整套建模方法开源出来供大家使用。You have my word。

顿时感觉胸前的红领巾更鲜艳了。

最后，记住要关注我们啊，好东西也要分享出去啊。点赞，关注，转发。

微信公众平台

微信客服号

有一种美好习惯，叫阅读后点赞