本文将降水短时预报问题作为时空序列预测问题，并使用卷积LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM和 ROVER算法，ConvLSTM 能够更好地捕捉时空相关性, 并在降水短时预报中具有更好的预测性能。

Jun, 2015

本文提出了一种层次化的时空图神经网络模型(HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了4.2%到11.6%。

Jan, 2022

本研究提出了一种新颖的基于Meta-Graph学习的图结构学习机制，应用于时空数据的图卷积循环网络中，成功地解决了非平稳现象问题，并在两个基准数据集（METR-LA和PEMS-BAY）和一个包含各种非平稳现象的大规模时空数据集上的实验中获得了优异的预测效果。

Dec, 2022

本文提出了一种融合卷积神经网络和循环神经网络的CNN-RNN结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

本文提出了一种分离式训练方法，利用GraphLASSO算法生成稀疏图结构，使用Graph Convolutional Recurrent Network模型进行多元时间序列预测，实验结果表明，该方法可以在保证模型性能的同时，生成稀疏，有意义且易于解释的图结构，并且训练时间减少了约40%。

Jun, 2023

本研究主要探讨了基于空间-时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器-解码器和消息传递层，能够有效地处理空间-时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

Jul, 2023

此研究利用ConvLSTM神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和LSTM网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

Dec, 2023

本文提出了一种以VMRNN单元为核心的网络结构，将CNNs和ViTs与RNNs相结合，以有效地处理时空预测任务，并通过广泛的评估表明该方法在多种任务上取得了竞争性的结果，同时保持了较小的模型尺寸。

Mar, 2024

该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和Transformer等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

Apr, 2024

本研究解决了中期天气预报准确性不足的问题，提出了一种名为PuYun的自回归级联模型，利用大卷积核注意力机制来提升预测精度。研究结果表明，PuYun-Short在10天天气预报中，RMSE显著低于现有模型，如GraphCast和FuXi，展示了该方法在中期天气预测中的有效性。

Sep, 2024