图神经网络与空间信息学习的集成天气预报后处理
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
本文研究多图神经网络在长期时空预测中的应用,提出了一种新的动态多图融合模块来描述不同图之间的节点相关性,并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明,我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。
Apr, 2022
本文提出了一种可扩展的体系结构,利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中,并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入,从而实现多尺度的时空特征表示,我们的方法在保证结果竞争力的同时,大大降低了计算负担。
Sep, 2022
本文旨在理解全局性和局部性在基于图的时空预测中的相互作用,并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践,通过在多个实验中提供强有力的经验证据和指导,我们论证了如何将图形模型专业化以适应每个时间序列的规律,展示了这个方面在获得准确预测中的关键作用。
Feb, 2023
本研究使用置换不变的神经网络对天气预报中使用的数值模拟预报集合进行统计后处理,以将原始集合转化为可靠的概率预测分布。通过对比传统方法和神经网络基准方法,我们评估了所获得的预测分布的校准性和锐度,并在针对地表温度和阵风预报的案例研究中展示了最先进的预测质量。为了加深对学习推断过程的理解,我们进一步提出了一种基于置换的重要性分析方法,用于突出训练后处理模型认为重要的集合预测的特定方面。我们的结果表明,大部分相关信息都包含在少数集合内部的自由度中,这可能影响未来集合预测和后处理系统的设计。
Sep, 2023
通过分层时空下采样,利用可解释的注意机制结合观测和缺失数据模式,我们的方法在不同的缺失数据分布以及连续缺失数据块存在的情况下,在合成和实际基准测试中优于最先进的方法。
Feb, 2024
本文介绍Causal Graph Process Neural Network (CGProNet),它结合了CGPs和GNNs,用于时空预测,并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明CGProNet在保持竞争力的预测性能的同时,最小化了内存和时间需求。
May, 2024
机器学习在高分辨率天气预报方面已成为一种强大的工具,而准确捕捉这一混沌天气系统中的不确定性要求概率建模。我们提出了一种名为Graph-EFM的概率天气预报模型,结合灵活的潜变量形式与成功的基于图的预测框架。使用分层图构建使得能够高效地采样到空间一致的预测。Graph-EFM每个时间步仅需要单次前向传递,可快速生成任意规模的集合。我们在全球和有限区域预测上对该模型进行了实验。来自Graph-EFM的集合预测在误差方面与可比较的确定性模型相当或更低,并且还能准确捕捉到预测不确定性。
Jun, 2024