Event-Aware Spatiotemporal Precipitation Forecasting with Geographic Context and Physics-Guided Regularization
Beijing Institute of Technology（北京理工大学）；Tangshan Research Institute, Beijing Institute of Technology（北京理工大学唐山研究院）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
该研究开发了结合地理上下文、事件感知学习与物理引导正则化的时空降水预报框架，利用ERA5数据验证了各组件对提升降水预报效果的作用。
2026-10-09 stat.AP
An Empirical Analysis of Constrained Support Vector Quantile Regression for Nonparametric Probabilistic Forecasting of Wind Power
Lehigh University（理海大学）
本文结合支持向量机、非线性分位数回归与非交叉约束提出风电非参数概率预测方法，基于全球能源预测竞赛2014年数据验证，该方法性能优于三个基准模型且避免分位数估计重叠问题。
2026-08-10 cs.LG econ.EM stat.ML
A probabilistic gridded product for daily precipitation extremes over the United States
网格化数据产品，例如气象站每日降水量的插值测量，通常被用作直接观测的方便替代品，因为这些产品提供了空间和时间上连续和完整的数据源。然而，当目标是在空间域上表征极端降水的气候特征时（例如，返回值的地图），那么网格化的产品可能会导致不正确的结论，因为日降水量是一个分形场，因此任何平滑技术都会抑制局部极值。为了解决这个问题，我们创建了一个新的“概率”网格化产品，专门设计用于描述极端降水的气候特性，通过应用空间统计分析，每天测量的降水量从GHCN超过CONUS。我们的方法的本质是，首先估计极端降水的气象站数据的基础上，然后使用数据驱动的统计方法，这些估计插值到一个细网格。我们认为，我们的方法产生了一个网格单元内的气候学的改进表征，因为极端降水的概率行为表现得更好（即，比日常天气更好。此外，我们的方法固有的空间平滑显着增加了信噪比的估计极端统计相对于没有平滑的分析。最后，通过推导出一种数据驱动的方法，将极端统计数据转化为空间完整的网格，本文所述的方法解决了如何正确比较台站数据与地球系统模型输出的问题。最后，我们通过比较我们的概率网格化产品与标准极值分析的Livneh网格化的每日降水产品的文件。
2019-01-02 physics.ao-ph stat.AP
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia（数学与应用统计学系，沃林戈恩大学，澳大利亚）
本文基于PyTorch平台实现时空深度克里金（STDK）框架，用于欧洲降水数据的插值与多步预测，并提供可复现代码模块，验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
Probabilistic quantitative precipitation field forecasting using a two-stage spatial model
在大量的农业、水文、生态和其他应用中，都需要降水场的短期预报。数值天气预报模式的预报往往有偏差，不能提供不确定性信息。在这里，我们提出了一个后处理技术，这样的数值预报，同时产生相关的概率预测多个站点的降水积累。该统计模型是一个两阶段模型的空间版本，该模型通过零点质量和降水累积连续分布的伽马密度的混合物来表示降水的分布。通过假设两个高斯过程分别驱动降水发生和降水量来捕获空间相关性。第一个过程是潜在的，并通过阈值驱动降水发生。第二个过程解释了降水积累的空间相关性。它是通过一个网站特定的转换功能，以保留降水的边缘右偏分布，同时模拟空间依赖性降水相关。这两个过程都考虑到数值天气预报中包含的信息，并被建模为平稳的各向同性空间过程与指数相关函数。应用两阶段空间模式对2004年西北太平洋逐日降水量进行了48小时预报。两阶段空间模型的预测分布进行了校准和尖锐，优于空间复合和区域平均数量的参考预测。
2009-01-22 stat.AP
Physics-guided probabilistic modeling of extreme precipitation under climate change
地球系统模式（ESM）是预测气候变化影响的最新技术。然而，在模拟区域和当地极端降水和相关过程的能力方面长期存在的不确定性阻碍了决策。对相关时空尺度上极端降水量变化的概率预测将是对利益攸关方的最佳支持。在这里，我们提出了一个经验贝叶斯模型，扩展了现有的技能和共识为基础的加权框架和测试的假设，非平凡的，物理指导的措施ESM技能可以帮助产生可靠的概率特征的气候极端。具体而言，该模型利用温度，大气湿度容量和极端降水强度之间的物理关系的知识，迭代加权和结合ESM和估计概率分布的回报水平。样本外验证表明，贝叶斯模型是推导可靠概率预测的可靠方法。除了极端降水之外，该框架还可以作为一种通用的、以物理学为指导的方法的基础，用于对一般气候变量、极端气候变量或其他气候变量的概率分布进行建模。
2017-07-18 stat.AP
Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa
研究提出CNN+EasyUQ两阶段方法，将U-Net确定性预报转化为概率预报，在非洲北部热带地区24小时降水预报中全面优于物理模型与传统统计方法。
2024-01-08 physics.ao-ph stat.AP
Small-Area Precipitation Forecasting and Drought--Flood Early Warning with Reverse-Martingale Regularized Recurrent Networks
Institute of Statistical Science, Academia Sinica（中央研究院统计科学研究所）
提出逆鞅正则化循环神经网络（RMRNN）用于概率降水预报和序贯旱涝预警，通过后向一致性惩罚和Shiryaev-Roberts检测器提升预警性能。
2026-05-26 stat.AP stat.ME
Bayesian spatio-temporal model for high-resolution short-term forecasting of precipitation fields
随着极端天气事件变得越来越普遍，地表水洪水造成的风险也在不断增加。在这项工作中，我们提出了一个模型，相关的贝叶斯推断计划，产生概率（高分辨率短期）预测局部降水。我们的底层层次动态时空模型的参数化是由一个前向时间，中心空间有限差分解的随机偏微分方程的集合，其中的主要驱动力是平流和扩散的动机。天气雷达和地面雨量计的观测提供了信息，我们可以从中了解（潜在）降水场的可能值以及其他未知的模型参数。在贝叶斯范式中工作提供了一个连贯的框架，用于捕获基础模型参数和预测中的不确定性。此外，呼吁基于模拟（MCMC）的采样产生一个简单的解决方案来处理零，作为删失观测，通过数据增强。基础状态和观测都具有适度大的维度（分别为$\mathcal{O}(10^4)$和$\mathcal{O}(10^3)$），这使得标准推理方法在计算上不可行。我们的解决方案是将集合卡尔曼平滑器嵌入到吉布斯抽样方案中，以便于在合理的时间内进行近似贝叶斯推断。我们的后验抽样方案的方法和有效性证明通过模拟研究，并从城市天文台项目的实际数据的案例研究，总部设在英国泰恩河畔纽卡斯尔。
2021-05-07 stat.AP stat.ME
High-resolution Probabilistic Precipitation Prediction for use in Climate Simulations
准确预测降水量对于在不断变化的气候中提供可靠的洪水或干旱风险预警十分重要。然而，在局部范围内对降水进行可靠的预测是当今天气和气候模式面临的最困难的挑战之一。这是因为，由于高分辨率模拟的计算成本很高，无法在模拟中明确地解决重要的特征，例如单独的云和高分辨率地形。气候模式通常以$\sim$ 50 - 100公里的分辨率运行，这不足以以令人满意的细节代表当地降水事件。在这里，我们开发了一种方法，使概率降水预测的气候模型可以很好地解决的功能的基础上，这是不高度敏感的近似在个别模型。为了进行预测，我们将使用时间复合泊松分布，该分布取决于某个位置的气候模型的输出。我们使用的输出地球系统模型在粗分辨率$\sim$ 50公里作为输入和训练的统计模型对降水观测威尔士在$\sim$ 10公里的分辨率。贝叶斯推理计划，使复合泊松模型可以推断使用吉布斯内的大都市椭圆切片采样方案，使我们能够量化我们的预测的不确定性。此外，我们使用一个高斯过程回归模型参数的后验样本，推断空间相干模型，从而产生空间相干降雨预测。我们说明了我们的模型的预测性能，通过训练超过5年的数据到1999年12月31日，并预测20年后的降水量为加的夫和威尔士。
2021-02-25 stat.AP stat.CO
Improving Subseasonal Forecasting in the Western U.S. with Machine Learning
美国西部的水资源管理者（美国）依靠对气温和降水的长期预报，为干旱和其他极端潮湿天气做好准备。为了提高这些长期预测的准确性，美国垦务局和国家海洋和大气管理局（NOAA）发起了亚季节气候预测竞赛，这是一项为期一年的实时预测挑战，参与者旨在提前两到四周和四到六周巧妙地预测美国西部的温度和降水。在这里，我们介绍并评估了我们的机器学习方法，并发布了我们的SubseasonalRodeo数据集，收集这些数据集用于训练和评估我们的预测系统。我们的系统是两个回归模型的集合。第一个集成了不同的收集气象测量和动态模型预测的SubseasonalRodeo数据集和修剪不相关的预测使用自定义的多任务模型选择过程。第二种方法只使用目标变量（温度或降水）的历史测量值，并将多任务最近邻特征引入加权局部线性回归。每个模型都比去偏操作的美国气候预测系统（CFSv 2）更准确，我们的集合技能超过了每个目标变量和预测范围的顶级Rodeo竞争对手。此外，在2011-2018年期间，我们的回归模型和去偏CFSv 2的集合将温度的去偏CFSv 2技能提高了40-50%，降水量提高了129-169%。我们希望我们的数据集和我们的方法将有助于推进亚季节预测的最新发展。
2019-05-22 cs.CY stat.AP stat.ML
Coupling Precipitation Forecasting and Early Warning with Reverse-Martingale Recurrent Neural Networks
Institute of Statistical Science, Academia Sinica（中央研究院统计科学研究所）
提出一种带反向平滑惩罚的递归神经网络，在不损失预报精度的同时，通过重构缺陷信号实现干旱早期预警，在四个气候区验证了其提前于标准干旱指数的预警能力。
2026-07-01 stat.AP
Statistical models for short and long term forecasts of snow depth
预测未来积雪深度对于道路安全、冬季体育活动、雪崩风险评估和水文学等许多应用都很有用。由于缺乏雪深的统计预报模型，在本文中，我们提出了一套模型来填补这一空白。首先，我们提出了一个模型来做短期预测时，我们假设可靠的天气预报的空气温度和降水是可用的。协变量被非线性地包括在模型中，遵循降雪、雪老化和融化的基本物理原理。由于雪深等于零的大量观测数据，我们使用零膨胀伽马回归模型，该模型通常用于类似的应用，如降水。我们还可以对积雪深度进行长期预测，并且比传统的温度和降水天气预报更深入。长期预报是根据降水、温度和积雪深度的历史时间序列拟合模型作出的。我们拟合模型的数据来自挪威的三个地点具有不同的气候特性。预测未来五天的结果显示，在给出可靠的温度和降水天气预报的情况下，挪威不同地点的绝对值预测误差在3到7厘米之间。预测未来三周，预测误差在7到16厘米之间。
2019-01-15 stat.AP stat.ME
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题，本研究构建兼顾预测精度与库存效用的概率预测组合方法，实证发现其优于单一方法，但两类性能存在权衡。
2024-04-15 stat.AP
Post-processing multi-ensemble temperature and precipitation forecasts through an Exchangeable Gamma Normal model and its Tobit extension
气象集合是由气象中心提供的未来天气情景的集合。这种集合形成了概率预测的有价值信息的主要来源，其目的是产生感兴趣的量的预测概率分布，而不是单个最佳猜测估计。不幸的是，在没有初步的后处理处理来校准系综的情况下，系综通常不能被认为是来自这种预测概率分布的样本。在文献中可以找到两个主要的后处理方法家族，或者是竞争的，如BMA，或者是合作的，如EMOS。本文提出了一个属于合作家族的混合效应模型。该模型的结构是基于假设下的集合成员的重新标记的不变性。其有趣的特点如下：1）交换，这有助于简约，与潜在的枢纽变量综合的基本气象特征的集合，2）多集合的实施，允许利用各种信息，以提高预测程序的清晰度。重点是投到正常的统计结构，首先与温度的直接应用程序，然后与它的Tobit扩展降水。推理是由期望最大化算法与追索权的随机条件模拟降水的情况下。在人工数据上检查其良好的行为后，建议的后处理技术被应用于由Hydro-Qu $é$ bec管理的五个流域的温度和降水集合预报。这些集合预报是从THORPEX交互式全球大联盟（TIGGE）数据库中提取的。结果表明，后处理的合奏校准，一般比原始合奏更清晰。
2019-03-05 stat.AP
Applications of machine learning to predict seasonal precipitation for East Africa
本文采用EOF降维与可解释机器学习，结合大尺度气候指数特征预测东非季节降水，并在1993—2020年三个季节上与SEAS5和气候态比较。
2024-09-10 stat.AP stat.ML
Probabilistic Forecasting of Patient Waiting Times in an Emergency Department
我们研究估计的概率分布的个别病人在急诊科（ED）的等待时间。我们功能丰富的建模允许动态更新和细化等待时间估计，作为患者和ED特定信息（例如，病人状况、急诊室充血程度）。还讨论了与患者沟通预测不确定性，并在实践中实施这种方法有关的方面。
2020-05-30 stat.AP
Lasso estimation for GEFCom2014 probabilistic electric load forecasting
我们提出了一种基于套索（最小绝对收缩和选择算子）估计的概率负荷预测方法。所考虑的模型可以看作是一个二元时变门限自回归（AR）过程的小时电力负荷和温度。联合建模方法直接将温度效应，并反映每日，每周和每年的季节性模式和公众假期的影响。我们提供了两个实证研究，一个基于2014年全球能源预测竞赛（GEFCom 2014-L）的概率负荷预测轨道，另一个基于最近的另一个概率负荷预测竞赛，该竞赛遵循类似于GEFCom 2014-L的设置。在这两个实证案例研究中，所提出的方法优于GEFCom 2014-L的前八个条目中的两个基于多重线性回归的基准。
2016-03-04 stat.AP stat.ML
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University（康奈尔大学）
本文提出弱新息自编码器架构，从非参数平稳时间序列中提取独立同分布新息序列，并证明其贝叶斯充分性，在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University（斯坦福大学）；Open Climate Fix（开放气候修复）；National Center for Atmospheric Research（美国国家大气研究中心）
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中，我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术，以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络，并证明，最好的模型，NGBoost，实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外，我们表明，NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP stat.ML
A Bayesian Approach to Probabilistic Solar Irradiance Forecasting
太阳能发电的输出在很大程度上取决于可用的太阳辐射。因此，随着光伏发电在现代电网中的普及，预测太阳辐照度对于电网的正常运行至关重要。为了提高预测性能的准确性，本文讨论了概率预测的贝叶斯处理。该方法被证明使用公开的数据从佛罗里达州自动气象网（FAWN）。该算法在Python中开发，并将结果与点预测，其他概率方法和该时期获得的实际现场结果进行比较。
2022-09-02 cs.SY eess.SY stat.AP
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线（PPC），这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型：预测集、预测带和预测分位数，所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中，PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中，PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息，这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens（雅典国立技术大学）；Hellenic Air Force（希腊空军）
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此，注重实际的审查，这些概念和方法，以及如何可以有效地利用这些在上述基本的努力，目前失踪的概率水文预报文献。尽管在同一文献中，从机器学习中受益的研究工作明显加强，但这种缺乏仍然存在。尽管最近出现了实质性的相关进展，特别是在概率水文后处理领域，传统上为水文学家提供概率水文预报实施，但它也成立。我们的目标是填补这一空白。在我们的审查中，我们强调可以导致有效普及的关键思想和信息，因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向，我们确定开放的研究问题，并提出想法，在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法，并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
预测不确定性的可靠估计是风险敏感最优决策的关键。在本文中，我们提出了隐式生成集成后处理，多变量概率电价预测的新框架。我们使用一个基于点预测模型集合的无似然隐式生成模型来生成具有一致依赖结构的多变量电价场景，作为联合预测分布的表示。我们的集成后处理方法优于成熟的模型组合基准。这一点在德国日前市场的数据集上得到了证明。由于我们的方法在特定领域的专家模型集合之上工作，因此可以很容易地部署到其他预测任务中。
2020-05-27 econ.EM q-fin.RM q-fin.ST
