Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data
Eindhoven University of Technology(埃因霍温理工大学)
本研究将ConvLSTM应用于荷兰KNMI天气雷达数据,通过九层自编码器融合CNN空间特征提取与LSTM时序建模,实现1.5小时短期降水预报,验证了其在复杂天气区域的高精度预测潜力。
2023-12-02 cs.LG
Ensemble methods for neural network-based weather forecasts
Stockholm University(斯德哥尔摩大学);Uppsala University(乌普萨拉大学)
集合天气预报通过计算集合的散布,使得能够将不确定性的度量附加到每个预报。然而,生成一个具有良好的传播误差关系的集合远非微不足道,并且已经探索了实现这一目标的各种方法-主要是在数值天气预报模型的背景下。在这里,我们的目标是将一个确定性的神经网络天气预报系统集成预报系统。我们测试了四种方法来生成集成:随机初始扰动,神经网络的再训练,在网络中使用随机辍学,并创建初始扰动与奇异向量分解。后一种方法被广泛用于数值天气预报模式,但尚未在神经网络上进行测试。从这四种方法获得的集合平均预测都击败了未扰动的神经网络预测,再训练方法产生最高的改善。然而,神经网络预报的技巧系统地低于最先进的数值天气预报模式。
2021-01-04 cs.LG physics.ao-ph
Weather-Adaptive Multi-Step Forecasting of State of Polarization Changes in Aerial Fibers Using Wavelet Neural Networks
Nokia Bell Labs(诺基亚贝尔实验室);Nokia(诺基亚)
本文提出一种天气自适应方法,结合离散小波变换与天气数据,对架空光纤中的多尺度偏振态变化进行多步预测,在RMSE和MAPE上分别比基线提升65%和63%。
2024-09-05 cs.LG cs.NI
Green-NAS: A Global-Scale Multi-Objective Neural Architecture Search for Robust and Efficient Edge-Native Weather Forecasting
University of California, Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);University of Arizona(亚利桑那大学)
Green-NAS通过多目标优化寻找轻量高精度模型,减少计算能耗与碳足迹,提升边缘天气预测的鲁棒性与效率。
2026-02-17 cs.LG
Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团)
针对天气预报中传统模型的时间离散化误差等问题,提出物理驱动的WeatherODE模型,结合波动方程与CNN-ViT-CNN三明治结构,在全球和区域预报中RMSE较SOTA分别降超40%和31.8%。
2024-10-09 cs.AI cs.LG
On Neural Scaling Laws for Weather Emulation through Continual Training
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Oak Ridge National Laboratory(橡树岭国家实验室)
本文研究了科学机器学习中神经扩展定律,通过最小化设置的Swin Transformer架构和持续训练策略,展示了模型在预测天气中的性能提升及计算优化。
2026-11-10 cs.LG
Evaluation of Machine Learning Techniques for Green Energy Prediction
University of Mainz(美因茨大学)
我们评估了以下用于绿色能源(风能,太阳能)预测的机器学习技术:贝叶斯推理,神经网络,支持向量机,聚类技术(PCA)。我们的目标是使用天气预报预测绿色能源,预测与预测绿色能源的偏差,找到不同天气参数和绿色能源可用性之间的相关性,恢复丢失或丢失的能源(/天气)数据。我们使用历史天气数据和天气预报。
2014-06-14 cs.LG
Long-term drought prediction using deep neural networks based on geospatial weather data
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Sberbank of Russia PJSC(俄罗斯联邦储蓄银行股份公司)
针对长期干旱预测精度不足的问题,提出基于公开月度气候数据的时空神经网络端到端方法,实验发现EarthFormer擅长短期预测、卷积LSTM擅长长期预测。
2024-07-12 cs.LG
Forecasting Global Weather with Graph Neural Networks
我们提出了一个数据驱动的方法,使用图神经网络预测全球天气。该系统学习将当前的3D大气状态向前推进六个小时,并将多个步骤链接在一起,以产生未来几天的熟练预测。基础模型基于ERA5的再分析数据或GFS的预测数据进行训练。Z500(地球位势高度)和T850(温度)等指标的测试性能比以前的数据驱动方法有所改进,至少在1度尺度和使用再分析初始条件进行评估时,与GFS和ECMWF的业务,全分辨率物理模型相当。我们还展示了将此数据驱动模型与GFS的实时运营预测相连接的结果。
2022-02-15 cs.LG physics.ao-ph
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals
Imperial College London(帝国理工学院)
神经生理学时间序列,如肌电信号和皮层内记录,通常由许多单独的尖峰源组成,其恢复可以提供对感兴趣的生物系统的基本见解或为人机接口提供神经信息。由于这个原因,声源分离算法已经成为神经科学和神经工程中越来越重要的工具。然而,在有噪声或高度多变量的记录中,这些分解技术通常产生大量的错误,这降低了人机接口应用,并且通常需要对尖峰时间戳的输出标签集进行昂贵的事后手动清理。为了解决自动化事后清理和鲁棒分离过滤器的需求,我们提出了一种基于深度度量学习的方法,使用一种新颖的损失函数来保持类内方差,从而创建适合标签清理和发现新激活的丰富嵌入空间。然后,我们验证了这种方法与人为损坏的标签集的基础上源分离的高密度表面肌电图记录,恢复原始的时间戳,即使在极端程度的功能和类相关的标签噪声。这种方法使神经网络能够学习使用任何不完美的标记信号的方法来准确地解码神经生理时间序列。
2021-10-13 cs.LG q-bio.NC
Beyond the Graph: An Adaptive Meta-Learner Fuses Explainability, Weather, and Dynamics for Robust Bus ETA Prediction
针对公交ETA预测中非线性动态与天气干扰问题,提出自适应混合框架HYB(nm),融合五种模型并经元学习器动态加权,在加尔各答超4000次行程数据上实现高鲁棒性与先进准确性,并提供可扩展的HYB(k)架构。
2026-09-29 cs.LG
Graph-based Neural Weather Prediction for Limited Area Modeling
Linköping University(林雪平大学);SMHI(瑞典气象水文研究所)
本研究将基于图的神经天气预报方法适配至有限区域建模,提出多尺度层次模型扩展,并通过北欧区域实验验证其有效性。
2023-11-14 cs.LG stat.ML
Road Accident Proneness Indicator Based On Time, Weather And Location Specificity Using Graph Neural Networks
PES University(PES大学)
在本文中,我们提出了一种新的方法来识别时空和环境的功能,影响道路的安全性,并预测其事故倾向于这些功能的基础上。根据道路沿线的时间、天气和位置(TWL)特异性,共编制了14个特征。为了确定14个特征中的每一个的影响,使用主成分分析进行敏感性研究。利用事故警告的位置,制定了一个安全指数,以量化特定道路的事故发生率。我们实现了一种新的方法来预测道路的安全指数的基础上,其TWL的特异性,通过使用图神经网络(GNN)架构。所提出的架构是唯一适合于这种应用程序,由于其能够捕捉到的复杂性,在一个巨大的特征空间的固有的非线性互连。我们采用GNN将TWL特征向量模拟为单独的节点,这些节点相对于图的边缘互连。该模型被验证比逻辑回归、简单前馈神经网络甚至长短期记忆(LSTM)神经网络表现更好。我们验证了我们的方法上的一个数据集,包含沿州际巴士路线的警报位置。通过使用TWL输入特征空间的GNN架构实现的结果被证明比其他预测模型更可行,达到了65%的峰值准确度。
2020-10-24 cs.LG
Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks
Maastricht University(马斯特里赫特大学)
由于数据驱动模型取得的进展,应用于天气预报的深度学习开始受到欢迎。本文比较了两种不同的深度学习架构,对从欧洲18个城市收集的15年内的每日数据进行天气预测。我们提出了深度注意单流多流(DAUM)网络,它研究了不同类型的输入表示(即张量单流与多流)以及注意力机制的结合。特别是,我们表明,在模型中添加自我注意块提高了整体预测性能。此外,可视化技术,如遮挡分析和得分最大化,用于提供对最重要的功能和城市的额外见解,用于预测目标城市的特定目标功能。
2021-02-10 cs.LG stat.ML
Combining distribution-based neural networks to predict weather forecast probabilities
Imperial College London(伦敦帝国学院);University of Exeter(埃克塞特大学);Met Office(英国气象局)
过去几十年来,深度学习技术的成功为天气预报研究开辟了一条新的途径。在这里,我们采用了一种新的方法,使用神经网络来预测空间和时间中每个点的全概率密度函数,而不是单个输出值,从而产生概率天气预报。这使得能够计算神经网络预测的不确定性和技能度量,并克服了从这些预测中推断不确定性的常见困难。这种方法是数据驱动的,神经网络在WeatherBench数据集(处理过的ERA5数据)上进行训练,以预测未来3天和5天的位势和温度。数据探索导致最重要的输入变量,这也被发现同意物理推理,从而验证我们的方法的识别。为了进一步提高计算效率,每个神经网络在这些变量的一个小子集上进行训练。然后,这些输出通过一个堆叠的神经网络进行组合,这是这种技术首次应用于天气数据。我们的方法被发现是更准确的一些数值天气预报模型和更复杂的替代神经网络一样准确,提供必要的关键概率信息,使知情的天气预报的额外好处。
2021-10-04 cs.LG physics.ao-ph physics.data-an
PINT: Physics-Informed Neural Time Series Models with Applications to Long-term Inference on WeatherBench 2m-Temperature Data
Interdisciplinary Program in Artificial Intelligence, Seoul National University, Seoul, Republic of Korea(人工智能交叉学科项目,首尔国立大学);Department of Statistics, Seoul National University, Seoul, Republic of Korea(统计学系,首尔国立大学);Department of Physics, Chung-Ang University, Seoul, Republic of Korea(物理系, Chung-Ang 大学)
本文提出物理信息神经时间序列模型 PINT,将简谐振动方程嵌入 RNN、LSTM 和 GRU,仅用前 90 天数据迭代预测 WeatherBench 2m 温度未来两年,验证了物理先验对长期预测和可解释气候建模的价值。
2025-07-17 cs.LG
Cleaning tasks knowledge transfer between heterogeneous robots: a deep learning approach
BioRobotics Institute, Scuola Superiore Sant’Anna(圣安娜高等研究学院生物机器人研究所);Institute for Systems and Robotics, Instituto Superior Tecnico, Universidade de Lisboa(里斯本大学高等技术学院系统与机器人研究所);CINAV — Centro de Investigação Naval(海军研究中心)
自主服务机器人是当今机器人研究的一个重要课题。与典型的工业场景不同,在高度受控的环境中,服务机器人必须对任务扰动和感觉反馈特性的变化表现出额外的鲁棒性。在本文中,一个机器人被教导执行两个不同的清洁任务的表,使用示教学习范例。然而,与其他方法不同的是,卷积神经网络用于仅使用视觉反馈将演示推广到同一桌子上的不同的、尚未看到的污垢或污渍图案,并相应地执行清洁运动。通过数据增强技术和摄像机图像变换实现了对机器人姿态和光照变化的鲁棒性。这种鲁棒性允许在不同环境设置中操作的异构机器人之间传递关于执行清洁任务的知识。为了证明所提出的方法的可行性,在里斯本训练的网络执行清洁任务,使用iCub机器人,成功地采用了在Peccioli,意大利的DoRo机器人。
2019-09-11 cs.LG cs.RO
Compressing multidimensional weather and climate data into neural networks
ETH Zurich(苏黎世联邦理工学院)
本文提出用基于坐标的神经网络过拟合天气气候数据并以网络参数作为紧凑表示,实现300至3000倍以上压缩,在精度上优于SZ3,且压缩后数据用于WeatherBench训练时RMSE增加不到2%。
2023-04-14 cs.IT cs.LG math.IT
Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
针对数值天气预报集合预报的系统性误差,提出一种图神经网络后处理方法,通过将站点作为图节点并利用注意力机制共享空间信息,在欧洲2米温度预报中显著优于强基线。
2024-07-08 cs.LG physics.ao-ph
Step-E: A Differentiable Data Cleaning Framework for Robust Learning with Noisy Labels
Step-E通过整合样本选择与模型学习,提升噪声标签下的鲁棒学习性能,显著提高测试准确率并接近干净标签 oracle。
2025-11-21 cs.LG
Utilizing artificial neural networks to predict demand for weather-sensitive products at retail stores
Wayne State University(韦恩州立大学)
有效的供应链管理的一个关键要求是其库存管理的质量。不同的库存管理方法通常被用于基于其需求模式、产品属性和供应网络的不同类型的产品。在本文中,我们的目标是开发强大的需求预测方法,在零售商店的天气敏感的产品。我们采用了沃尔玛的历史数据集,其客户和市场经常受到极端天气事件的影响,这可能会对受影响商店和产品的销售产生巨大影响。我们希望准确预测111种可能对天气敏感的产品在美国沃尔玛45个零售点的主要天气事件发生时的销售情况,我们可能会在大雷雨前预计雨伞的销售会有所上升,但补货经理很难预测在暴风雨期间和之后避免缺货或积压所需的库存水平。虽然他们依靠各种供应商工具来预测极端天气事件的销售情况,但他们大多采用一个耗时的过程,缺乏系统的有效性衡量标准。我们采用对任何分析项目至关重要的所有方法,并从数据探索开始。从原始历史数据集中提取关键特征,以提高需求预测的准确性和鲁棒性。特别是,我们采用人工神经网络预测在主要天气事件前后销售的每种产品的需求。最后,我们评估我们的模型,以评估其准确性和鲁棒性。
2017-11-20 cs.LG stat.ML
Leveraging IoT and Weather Conditions to Estimate the Riders Waiting for the Bus Transit on Campus
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Northern Michigan University(北密歇根大学);James Madison University(詹姆斯麦迪逊大学)
这个时代的通信技术革命增加了智能手机在交通领域的使用。在本文中,我们建议利用物联网设备数据,结合天气条件捕获乘客智能手机的Wi-Fi数据,使用深度学习模型预测特定时间在公交车站等待的乘客数量。我们的研究收集了美国弗吉尼亚州詹姆斯麦迪逊大学(JMU)公交系统的数据。本文研究了公交车站候车人数与天气条件的相关性。从经验上讲,在JMU的几个公交车站的实验,被用来确认高精度水平。我们将深度神经网络(DNN)模型与两个基线模型进行了比较:线性回归(LR)和宽神经网络(WNN)。基线模型和DNN之间的差距是35%和14%的更好的均方误差(MSE)得分的预测,有利于DNN相比,LR和WNN,分别。
2021-02-02 cs.LG
Exploring Convolutional Neural Processes for Weather Downscaling
ETH Zürich(苏黎世联邦理工学院)
该项目研究卷积条件神经过程用于将ERA5-Land每日最高气温从约11公里分辨率降尺度到瑞士约1公里分辨率,基于特定架构改进,最佳模型效果良好,还做了消融研究,指出关键挑战。
2026-07-07 cs.LG
FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators
NVIDIA Corporation(英伟达公司);University of Michigan(密歇根大学);Rice University(莱斯大学);California Institute of Technology(加州理工学院);Purdue University(普渡大学)
FourCastNet是傅立叶预测神经网络的缩写,是一个全球数据驱动的天气预报模型,以$0.25^{\circ}$分辨率提供准确的短期到中期全球预测。FourCastNet准确地预测高分辨率,快速时间尺度的变量,如地面风速,降水和大气水蒸气。它对规划风能资源、预测热带气旋、超热带气旋和大气河流等极端天气事件具有重要意义。FourCastNet与ECMWF综合预报系统(IFS)的预报精度相匹配,IFS是一种最先进的数值天气预报(NWP)模型,在大尺度变量的短时间内,同时在具有复杂精细结构的变量(包括降水)方面优于IFS。FourCastNet在不到2秒的时间内生成为期一周的预测,比IFS快了几个数量级。FourCastNet的速度使得能够创建快速和廉价的大型集合预报,其中包含数千个集合成员,以提高概率预报。我们讨论了数据驱动的深度学习模型(如FourCastNet)如何成为气象学工具包的一个有价值的补充,以帮助和增强NWP模型。
2022-02-22 cs.LG physics.ao-ph
Weather-Driven Agricultural Decision-Making Using Digital Twins Under Imperfect Conditions
Washington State University(华盛顿州立大学)
本文提出Cerealia框架,利用数字孪生技术在天气数据不完整时检测不一致并辅助农业决策。
2026-02-14 cs.LG
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data
Aarhus University(奥胡斯大学);Danske Commodities A/S(丹麦商品公司)
将大气状态分为有限数量的大尺度环流体系是研究遥相关、恶劣天气事件的可预测性和气候变化的流行方法。在这里,我们研究了一种基于变形卷积神经网络(deCNN)和迁移学习的监督机器学习方法,以预测未来1至15天的北大西洋-欧洲冬季天气状况。我们应用来自机器学习文献的最先进的解释技术,将特定的感兴趣区域或与任何给定的天气集群预测或政权过渡相关的潜在遥相关属性化。我们表现出优越的预测性能相对于几个经典的气象基准,以及逻辑回归和随机森林。由于其更宽的视野,我们还观察到deCNN在超过5-6天的提前期内实现了比常规卷积神经网络更好的性能。最后,我们发现迁移学习是至关重要的,类似于以前的数据驱动的大气预测研究。
2022-04-29 cs.LG
MetNet: A Neural Weather Model for Precipitation Forecasting
Google Research(谷歌研究院)
天气预报是一项长期存在的科学挑战,具有直接的社会和经济影响。该任务适合于深度神经网络,这是由于大量的连续收集的数据和丰富的空间和时间结构,呈现出长范围的依赖性。我们介绍MetNet,一个神经网络,预测降水长达8小时的未来在1公里的高空间分辨率$^2$和时间分辨率为2分钟的延迟在秒的顺序。MetNet将雷达和卫星数据作为输入,预测提前时间,并生成概率降水图。该架构使用轴向自我注意力,从对应于一百万平方公里的大输入块中聚合全局上下文。我们评估了MetNet在不同降水阈值下的性能,发现MetNet在美国大陆范围内的7至8小时预报中优于数值天气预报。
2020-03-30 cs.LG physics.ao-ph stat.ML
Comparative Evaluation of Weather Forecasting using Machine Learning Models
University of California Riverside(加利福尼亚大学河滨分校);Ahsanullah University of Science and Technology(阿赫桑乌拉科技大学);Texas A&M University(德克萨斯农工大学);University of Central Florida(中佛罗里达大学);University of Florida(佛罗里达大学)
本研究利用达卡市单气象站20年数据集,对比评估多种机器学习算法在降水与温度预测中的性能,为天气预报领域的算法选择与特征分析提供参考。
2024-02-02 cs.LG
SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
University of Amsterdam(阿姆斯特丹大学);Linköping University(林雪平大学)
针对现有机器学习天气预报模型在短时间步长下误差累积和缺乏时间连续性的问题,提出基于神经随机微分方程的SDECast框架,实现连续时间概率预报,并在模拟流和全球小时级预报中验证了其有效性。
2026-10-05 cs.LG physics.ao-ph stat.ML
Empowering Power Outage Prediction with Spatially Aware Hybrid Graph Neural Networks and Contrastive Learning
University of Connecticut(康涅狄格大学);Western Connecticut State University(西康涅狄格州立大学);Eversource Energy(Eversource能源公司)
本文提出空间感知混合图神经网络与对比学习方法,用于提升极端天气引起的电力中断预测性能,通过处理数据不平衡问题,实现更准确的预测。
2026-04-06 cs.LG
ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs
Aalto University(阿尔托大学);YaiYai Ltd(YaiYai有限公司)
本文提出 ClimODE,将平流物理引入连续时间神经 ODE,以守恒神经流建模全球天气演变并支持不确定性估计,以少一个数量级的参数取得全球与区域预报新 SOTA。
2024-04-15 cs.AI cs.ET cs.LG
Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models
Expertise Center for Climate Extremes (ECCE), University of Lausanne(气候极端专家中心(ECCE)、洛桑大学);École polytechnique, Institut Polytechnique de Paris(巴黎高等理工学院);Institute of Geography - Oeschger Centre for Climate Change Research, University of Bern(地理研究所—奥施格气候变迁研究中心、伯恩大学);Federal Office of Meteorology and Climatology MeteoSwiss(联邦气象与气候办公室梅托斯瓦尔);Faculty of Geosciences and Environment, University of Lausanne(地球科学与环境学院、洛桑大学)
本文基于Pangu-Weather神经天气模型,采用统计与深度学习后处理方法预测瑞士未来三天的逐小时对流阵风,其中卷积神经网络后处理效果最佳,证实了神经天气模型对极端风预警系统的价值。
2025-08-21 cs.LG physics.ao-ph
Modulated Adaptive Fourier Neural Operators for Temporal Interpolation of Weather Forecasts
NVIDIA Corporation(英伟达公司)
本文提出调制AFNO(ModAFNO)层,通过目标时间嵌入自适应调节网络,将6小时间隔天气预报插值为1小时序列,RMSE较线性插值降低约50%。
2024-10-24 cs.LG physics.ao-ph
Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks
Linköping University(林雪平大学);University College London(伦敦大学学院)
针对确定性天气预报难以刻画混沌系统不确定性的问题,提出融合潜变量与图框架的 Graph-EFM,实现高效空间一致集合采样,并在全球及区域预报中取得低误差与可靠不确定性估计。
2024-10-26 cs.LG stat.ML
Graph-based Neural Space Weather Forecasting
University of Helsinki(赫尔辛基大学);UC Santa Barbara(圣巴巴拉大学);FMI Space and Earth Observation Centre(FMI空间与地球观测中心)
本文提出基于图的神经模拟器,利用Vlasiator数据自回归预测近地空间条件,实现快速确定性预测与生成式集合不确定性量化,为业务化空间天气预报提供可行方案。
2025-10-16 cs.LG physics.plasm-ph physics.space-ph
HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting
由于天气预报对人类生活的影响和大气运动的复杂性,天气预报是一项极具吸引力和挑战性的任务。在大量历史观测时间序列数据的支持下,该任务适用于数据驱动的方法,特别是深度神经网络。近年来,基于图神经网络(GNNs)的时空预测方法取得了优异的性能。然而,基于GNNS的规范方法只能单独建模每个站点的气象变量的局部图或整个站点的全局图,缺乏不同站点的气象变量之间的信息交互。本文提出了一种新的层次时空图神经网络(HiSTGNN)模型,用于模拟多站气象变量之间的跨区域时空相关性。采用自适应图学习层和空间图卷积构造自学习图,研究变量级图和站点级图节点间的隐藏依赖关系。为了捕获时间模式,设计了作为门时间卷积的骨干的扩张的起始来模拟长期和各种气象趋势。此外,提出了一种动态交互学习的层次图中建立双向的信息传递。在三个真实气象数据集上的实验结果表明,HiSTGNN在7个基线之外具有优异的性能,与最先进的天气预报方法相比,其误差降低了4.2%至11.6%。
2022-09-19 cs.AI cs.LG
Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles
The University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校);University of Cambridge(剑桥大学);University of Colorado, Boulder(科罗拉多大学博尔德分校);University of Strathclyde(斯特拉斯克莱德大学);Mexico National Autonomous University(墨西哥国立自治大学);University of Texas, Austin(德克萨斯大学奥斯汀分校);University of Surrey(萨里大学);University of Oxford(牛津大学)
太阳射电流量和地磁指数是反映太阳活动及其影响的重要指标。耀斑和地磁暴等极端太阳事件可对空间环境包括近地轨道卫星产生不利影响。因此,预测这些空间天气指数在空间业务和科学中具有重要意义。在这项研究中,我们提出了一个模型的基础上长短期记忆神经网络学习的时间序列数据的分布,同时提供多变量的27天预测的空间天气指数使用时间序列以及太阳图像数据的能力。我们显示了一个30- 40%的改进,同时包括太阳图像数据与时间序列数据相比,单独使用时间序列数据的均方根误差。还将持久性和运行平均预测等简单基线与训练的深度神经网络模型进行比较。我们还量化了我们的预测使用模型合奏的不确定性。
2021-12-16 astro-ph.SR cs.LG
CloudNine: Analyzing Meteorological Observation Impact on Weather Prediction Using Explainable Graph Neural Networks
Korea Institute of Atmospheric Prediction Systems(韩国大气预测系统研究所);The Catholic University of Korea(韩国天主教大学)
本文提出CloudNine系统,结合可解释图神经网络与数值天气预报模型,实现对单个气象观测在特定时空预测中影响的定量分析与可视化。
2024-02-21 cs.AI cs.LG physics.ao-ph
fakeWeather: Adversarial Attacks for Deep Neural Networks Emulating Weather Conditions on the Camera Lens of Autonomous Systems
Technische Universität Wien(维也纳工业大学);Politecnico di Torino(都灵理工大学);New York University(纽约大学)
近年来,深度神经网络(DNN)在许多应用中取得了令人瞩目的性能,同时也有一些研究增强了其对恶意攻击的脆弱性。在本文中,我们模拟自然天气条件的影响,引入误导DNN的合理扰动。通过观察这种大气扰动对相机镜头的影响,我们对这些模式进行建模,以创建不同的遮罩,来模拟雨、雪和冰雹的影响。尽管我们的攻击带来的干扰是可见的,但由于它们与自然事件的关联,它们的存在仍然没有被注意到,这对于全自动和无人驾驶车辆来说可能是灾难性的。我们在多个卷积神经网络和胶囊网络模型上测试了我们提出的fakeWeather攻击,并报告了在存在这种对抗性扰动的情况下明显的准确性下降。我们的工作为DNN引入了一种新的安全威胁,这对于安全关键型应用和自治系统尤其严重。
2022-05-27 cs.CR cs.LG
Neural General Circulation Models for Weather and Climate
Google Research(谷歌研究院);Massachusetts Institute of Technology(麻省理工学院);European Centre for Medium-Range Weather Forecasts(欧洲中期天气预报中心);Google DeepMind(谷歌DeepMind);Harvard University(哈佛大学)
首个结合可微大气动力学求解器与机器学习组件的通用环流模型NeuralGCM,在天气和气候预测中达到物理与ML方法的最优水平,并实现数量级的计算节省。
2024-03-08 cs.LG physics.ao-ph physics.comp-ph
Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework
Department of Mechanical and Aerospace Engineering and the Center for Automotive Research, The Ohio State University(机械与航空航天工程系和汽车研究中心,俄亥俄州立大学)
提出一种基于保形图神经网络框架的交通预测方法,利用对数正态分布和变异系数构建自适应邻接矩阵并结合天气因素调整边权重,同时采用自适应保形预测量化不确定性,在SUMO和蒙特卡洛模拟中验证了其预测精度与鲁棒性。
2025-09-15 cs.LG
Improving data-driven global weather prediction using deep convolutional neural networks on a cubed sphere
University of Washington(华盛顿大学);Microsoft Research(微软研究院)
我们提出了一个显着改进的数据驱动的全球天气预报框架,使用深度卷积神经网络(CNN)来预测全球网格上的几个基本大气变量。该框架的新发展包括离线体积保守映射到立方体球体网格,对CNN架构的改进,以及预测序列中多个步骤的损失函数的最小化。立方体球体重新映射最小化在其上执行卷积操作的立方体面上的失真,并且为CNN中的填充提供自然边界条件。我们改进的模型产生的天气预报是无限稳定的,并产生现实的天气类型在几个星期或更长的提前时间。对于中短期预报,我们的模型显着优于持久性,气候学和粗分辨率动力数值天气预报(NWP)模式。毫不奇怪,我们的预测比高分辨率的最先进的业务NWP系统更差。我们的数据驱动模型能够学习从几个输入大气状态变量预测复杂的地面温度模式。在年度时间尺度上,我们的模型产生了一个现实的季节性周期,仅由大气层顶太阳强迫的规定变化驱动。虽然目前它的准确性低于业务天气预报模型,但我们的数据驱动的CNN执行速度比这些模型快得多,这表明机器学习可能被证明是大型集合预报的宝贵工具。
2020-03-15 cs.LG physics.ao-ph stat.ML
FourCastNet: Accelerating Global High-Resolution Weather Forecasting using Adaptive Fourier Neural Operators
NVIDIA(英伟达);Lawrence Berkeley Lab(劳伦斯伯克利实验室);Caltech(加州理工学院)
极端天气在气候变化的放大下,正在全球范围内造成日益严重的破坏性影响。目前使用的物理为基础的数值天气预报(NWP)的准确性有限,由于高计算成本和严格的时间到解决方案的限制。我们报告说,数据驱动的深度学习地球系统仿真器FourCastNet可以预测全球天气,并生成比NWP快五个数量级的中期预报,同时接近最先进的准确性。FourCast-Net在三个超级计算系统上进行了优化和有效扩展:Selene,Perlmutter和JUWELS Booster,最多可达3,808个NVIDIA A100 GPU,混合精度达到140.8 petaFLOPS(该规模峰值的11.9%)。在3,072个GPU上的JUWELS Booster上测量的训练FourCastNet的求解时间为67.4分钟,相对于最先进的NWP,推理的求解时间快了80,000倍。FourCastNet可以提前一周生成准确的即时天气预报,支持更好地捕捉极端天气的巨大集合,并支持更高的全球预报分辨率。
2022-08-08 cs.AI cs.CV cs.LG
Exploring the Use of Machine Learning Weather Models in Data Assimilation
NOAA/NCEP/EMC(美国国家海洋和大气管理局/国家环境预报中心/环境模式中心)
本研究评估了GraphCast和NeuralGCM的切线性与伴随模型在资料同化中的适用性,发现其伴随结果虽与MPAS-A有相似性但存在非物理噪声,揭示了ML气象模型集成到业务DA系统前需解决的关键问题。
2024-11-22 cs.LG physics.ao-ph
Improving Medium Range Severe Weather Prediction through Transformer Post-processing of AI Weather Forecasts
Department of Atmospheric and Climate Science University of Washington(大气科学与气候系华盛顿大学);US NSF National Center for Atmospheric Research(美国NSF大气研究中心)
本研究利用Transformer后处理提升AI天气预报的中等范围严重天气预测能力,通过改进模型结构和训练方法,提高预测准确性和可靠性。
2025-09-21 cs.AI cs.LG physics.ao-ph
Improving LSTM Neural Networks for Better Short-Term Wind Power Predictions
Fayetteville-Manlius High School(费耶特维尔-曼利厄斯高中)
本文通过天气预报情境化的长短期记忆神经网络(LSTM)模型改进风电功率预测。最初,只有风力数据被馈送到通用LSTM,但该模型表现不佳,即使在低方差数据部分也观察到不稳定和幼稚的行为。为了解决这个问题,添加了天气预报数据,以更好地将电力数据置于情境中,并对LSTM进行了修改,以解决特定的模型缺陷。这些模型通过归一化平均绝对误差和朴素比(NR)进行测试,这是本文引入的一个分数,用于量化训练模型中不需要的朴素特征的存在。结果表明,增加了天气预报数据的修改后的模型,以及天真的字符减少的准确性。主要贡献包括改进LSTM变体,使用天气预报数据,以及引入新的模型性能指数。
2019-08-03 cs.LG stat.ML
Towards automated patient data cleaning using deep learning: A feasibility study on the standardization of organ labeling
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
数据清洗消耗了临床研究项目数据分析时间的80%左右。在医学领域的大数据和机器学习时代,这是一个更大的问题,因为大量数据正在生成。我们报告了使用深度学习进行自动化患者数据清理的初步努力:放射治疗中器官标记的标准化。器官在不同机构(有时甚至在同一机构内)和不同时间段的标记往往不一致,这给临床研究带来了问题,特别是对于多机构协作临床研究,其中所获取的患者数据未得到有效利用。我们开发了一个卷积神经网络(CNN)来自动识别CT图像中的每个器官,然后用AAPM任务组263提出的标准化命名法对其进行标记。我们在54例前列腺癌患者和100例既往接受过放射治疗的头颈癌患者的CT图像上测试了该模型。该模型在检测器官和为受试患者分配标准化标签方面实现了100%的准确性。这项工作表明了在患者数据清理中使用深度学习的可行性,可以生成标准化数据集,用于有效的机构内和机构间协作临床研究。
2017-12-30 cs.CV cs.LG cs.NE
Intelligent Spatial Interpolation-based Frost Prediction Methodology using Artificial Neural Networks with Limited Local Data
University of Technology Sydney(悉尼科技大学);Food Agility CRC Ltd(食品敏捷合作研究中心有限公司)
针对霜冻预测依赖现场数据的问题,提出基于空间插值与集成学习的神经网络方法,利用现有气象站数据预测最低温度,检测率达92.55%。
2023-05-14 cs.LG
Decomposing weather forecasting into advection and convection with neural networks
Tsinghua University(清华大学)
本文提出将天气预报分解为平流和对流,分别用图注意力网络与多层感知机建模,在5.625度分辨率的5天迭代预报中以更少参数超越现有数据驱动方法。
2024-05-10 cs.LG physics.ao-ph
Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data
University of Cambridge(剑桥大学);University of Amsterdam(阿姆斯特丹大学);Alan Turing Institute(阿兰·图灵研究所);Microsoft Research AI for Science(微软研究院科学人工智能部门)
针对Transformer类方法难以处理非结构化时空数据、Transformer神经过程无法扩展至大规模数据的问题,提出带网格化伪令牌的Transformer神经过程,在多类大规模回归任务中性能优于强基线且计算效率具竞争力,可应用于气象建模。
2024-10-10 cs.LG stat.ML
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region
Linköping University(林雪平大学);Mohamed bin Zayed University of AI(穆罕默德·本·扎耶德人工智能大学);Australian National University(澳大利亚国立大学)
针对传统数值天气预报计算成本高、效率低的问题,本研究以中东和北非地区为案例,验证了将LoRA等参数高效微调方法用于神经天气预报局部适配,可同时提升预测精度与训练、资源利用效率。
2024-09-11 cs.AI cs.LG physics.ao-ph
Neural networks for post-processing ensemble weather forecasts
Ludwig-Maximilians-Universität(路德维希-马克西米利安大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
围蔽天气预报需要对系统误差进行统计后处理,以获得可靠、准确的概率预报。传统上,这是通过分布回归模型来实现的,其中预测分布的参数是从训练期估计的。我们提出了一个灵活的替代方案的基础上,神经网络,可以将任意预测变量和预测分布参数,自动学习的数据驱动的方式,而不是需要预先指定的链接函数之间的非线性关系。在德国地面站的2米温度预报的案例研究中,神经网络方法显著优于基准后处理方法,同时在计算上更实惠。这种改进的关键组成部分是在嵌入的帮助下使用辅助预测变量和特定于站点的信息。此外,经过训练的神经网络可以用来深入了解气象变量的重要性,从而挑战神经网络作为不可解释的黑匣子的概念。我们的方法可以很容易地扩展到其他统计后处理和预测问题。我们预计,深度学习的最新进展与不断增加的模型和观测数据量相结合,将在未来十年内改变数值天气预报的后处理。
2018-05-23 cs.LG physics.ao-ph stat.AP
Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks
Baidu Research(百度研究院);Baidu Inc(百度公司);Rutgers University(罗格斯大学)
准确、及时的空气质量和天气预报对城市治理和民生至关重要。尽管人们已经在空气质量或天气预报方面做了很多努力,但大多数都只是简单地将彼此作为特征输入,忽略了两个预测任务之间的内在联系。一方面,一个任务的准确预测可以帮助提高另一个任务的性能。另一方面,地理空间分布的空气质量和天气监测站提供了城市范围的时空依赖性建模的额外提示。受上述两个见解的启发,在本文中,我们提出了多对抗时空递归图神经网络(MasterGNN)的联合空气质量和天气预报。具体来说,我们首先提出了一个异构的递归图神经网络来模拟空气质量和天气监测站之间的时空自相关。然后,我们开发了一个多对抗图学习框架来对抗时空建模引入的观测噪声传播。此外,我们提出了一个自适应的训练策略,制定多对抗学习作为一个多任务的学习问题。最后,在两个真实数据集上进行的广泛实验表明,与七个基线相比,MasterGNN在空气质量和天气预测任务上都取得了最佳性能。
2021-01-05 cs.AI cs.LG
Scaling transformer neural networks for skillful and reliable medium-range weather forecasting
UCLA(加利福尼亚大学洛杉矶分校);CMU(卡内基梅隆大学);Argonne National Laboratory(阿贡国家实验室);Penn State University(宾夕法尼亚州立大学)
本文提出简单Transformer模型Stormer,通过天气特定嵌入、随机化动力学预测和压力加权损失,在WeatherBench 2上以极少训练数据和计算量实现领先的中期天气预报性能,并展现出良好的扩展特性。
2024-10-22 cs.AI cs.LG physics.ao-ph