这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

Oct, 2023

本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布，以解决传统极大似然估计方法在大规模数据集上的计算瓶颈，并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。

May, 2023

基于机器学习的数据驱动天气预报在全球中期预报方面表现出优于传统基于物理的动力模型的快速发展和卓越性能。通过数学分析，我们证明了使用对称损失如均方误差（MSE）会导致偏差预测和极值低估。为了解决这个问题，我们引入了 Exloss，一种执行非对称优化并突出显示极值以获得准确极端天气预报的新型损失函数。此外，我们引入了一种无需训练的极值增强策略 ExEnsemble，它增加了像素值的方差并提高了预报的鲁棒性。结合先进的全球天气预报模型，广泛的实验表明我们的解决方案在极端天气预测方面可以达到与顶级中期预报模型相当的准确性。

Feb, 2024

本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到 89%-99%。

May, 2016

本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。

Nov, 2022

本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述为科学界了解并减轻极端天气事件的影响提供了重要见解。

Aug, 2023

本文提出了一种基于深度学习的时间序列预测方法，并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤，并进行可视化检查。实验结果表明，如果数据集中的时间序列重复出现固定模式，则可以使用单个时间序列来训练深度学习网络。然而，对于股票市场收盘价格等较少结构化的时间序列，网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。

Feb, 2023

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

Jun, 2023