浮標資料分析平台

00 / Project framing

Problem海洋觀測資料需要先處理品質、缺值與時間尺度，模型結果也必須轉成可判讀的風險訊號。

Decision把 resample、缺值策略、模型驗證、cache、風險門檻與 export 串成同一條分析流程。

EvidenceRepository 可核對 5 種時間尺度、4 種缺值策略與 4 種輸出；不把未固定資料集的模型分數包裝成成果。

Next下一步是固定 benchmark 資料集、加入 baseline / model comparison，並把資料來源與驗證流程再自動化。

5預測時間尺度：小時 / 日 / 週 / 月 / 年

4缺值策略：ffill / bfill / interpolate / dropna

4輸出：CSV / HTML / TXT / ZIP

3每組模型快取：Keras / Scaler / History

這些是程式碼與 README 可驗證的系統能力，不把未經固定資料集 benchmark 的模型指標包裝成效能數字。

Buoy Data測站、時間、海象欄位

Data Pipelineresample、缺值、平滑、QA

LSTM2× LSTM + Dropout + Dense(1)

Product LayerRMSE / R / 風險門檻 / 下載

示性波高warning 2.5、danger 4.0。

風速warning 10.0、danger 17.0。

ValidationTrain / validation 時序切分，顯示 RMSE、相關係數 R 與 epsilon 命中率。

Cache依測站、參數、頻率、日期與模型設定產生 hash，重複設定直接載入模型。

ACTUAL APP · CI CAPTURE

這不是另外重製的 mockup；保留原始 app.py 在最小測試資料下啟動後的產品狀態，讓實際介面與前面的資料流程放在同一個 Case Study 脈絡中。

資料產品還需要輸入品質、驗證、快取、規則與 UI。這個專案的重點是把這些環節接成完整流程。