本文利用神经网络模型输入历史路径数据和再分析大气图像数据，很好地解决了热带气旋准确预测的问题，模型预测准确率较高，相较于传统的预测方法有很大的优势，可以为实时预报提供宝贵的参考依据。

Oct, 2019

我们提出了一个新的数据驱动模型，Multi-Horizon SpatioTemporal Network (MHSTN)，以准确高效地进行细粒度的风速预测，该模型通过整合多个深度神经网络来处理各种数据来源，并为给定区域内的所有站点产生多时间段的预测。

Sep, 2023

提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

Oct, 2020

介绍了一种名为 Temporal Fusion Transformer（TFT）的基于注意机制的新型深度学习模型，以高效且可解释的方式解决多步预测中存在的多个输入和时间动态性问题，在实际数据集上表现出显著的性能和可解释性。

Dec, 2019

利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测，同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。

Oct, 2022

本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

Apr, 2023

本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测，该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷，还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系，并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性，实验结果表明，与其他交通预测技术相比，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

May, 2022

通过整合卫星成像、遥感和大气数据，利用扩散模型进行研究，采用级联方法进行气旋路径预测和降水模拟，从而实现具有高准确性的预测，适用于对预测需求迫切、且受限于资金的高度脆弱地区的特殊气象需求。

Oct, 2023

该研究提出了一种基于物理先验知识的强拓扑物理追踪框架（TROPHY），用于大规模气候数据集中的热带气旋追踪，通过引入限制条件和物理知识选择方法，实现了低计算复杂度同时获得与传统追踪算法相媲美甚至更好的热带气旋特征捕捉。

Jul, 2023

通过融合天气和时间等信息，借助于多模态单元的嵌入结构，提出了一种新的天气 - 时间 - 轨迹融合网络 (WTTFNet)，用于改进基准深度神经网络架构，并采用联合损失函数和基于聚焦损失，通过优化深度轨迹特征和最终分类器，提高了对行人目的地和轨迹的准确性，该方法在与现有算法相比的实验结果中表现出 23.67％的分类准确度提高，平均和最终位移误差分别降低了 9.16％和 7.07％，可应用于天气和时间等条件有影响的场景，用于行人设施工程、公共空间开发和技术驱动的零售等众多应用。

May, 2024