Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies
EPFL（苏黎世联邦理工学院）
本文提出SolarCAST模型，仅用公开GHI传感器数据，通过嵌入模块、时空图神经网络和门控Transformer建模同步与滞后混杂因素，实现高精度局部太阳能预测，误差较商业预测器Solcast降低25.9%。
2025-09-18 cs.LG cs.SI
Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching
University of Southern California（南加州大学）；Colorado State University（科罗拉多州立大学）
本文提出基于条件流匹配算法的局部野火蔓延概率代理模型，通过学习火灾到达时间的条件分布，结合环境和大气输入，实现高效生成到达时间的不确定性预测，适用于子域局部预测。
2026-03-27 cs.LG
WPMixer: Efficient Multi-Resolution Mixing for Long-Term Time Series Forecasting
University of South Florida（南佛罗里达大学）；Intel Corporation（英特尔公司）
本文提出WPMixer，一种基于MLP的长期时间序列预测模型，通过结合多分辨率小波分解、分块和MLP混合，高效提取频时域信息及局部全局特征，显著优于现有先进模型。
2024-12-22 cs.LG
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对多元非平稳时间序列预测与不确定性量化问题，提出ABF-T-GLCP框架，通过学习自适应预测状态表示，结合预测与共形校准模块，实验表明该框架能提升预测准确性、缩小区间，且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
Model Pruning Enables Localized and Efficient Federated Learning for Yield Forecasting and Data Sharing
University of Aberdeen（阿伯丁大学）
针对传统联邦学习在农业食品领域存在的数据异构导致全局模型适配性差、通信成本与模型规模大的问题，提出客户端模型剪枝后聚合的方案，在大豆产量预测任务上实现性能提升与模型、通信开销降低。
2023-04-19 cs.LG
PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations
Department of Computer（计算机系）；Systems Sciences Stockholm University（系统科学学院 斯德哥尔摩大学）
针对时间序列预测模型不透明且现有方法不适配的问题，提出模型无关的事后算法PAX-TS，基于局部扰动生成多粒度解释并刻画跨通道相关性，在基准测试中展现出有效捕捉模型行为、识别性能关联模式等优势，可阐释模型机制并回答实际预测问题。
2025-11-15 cs.AI cs.LG
Multi-resolution Time-Series Transformer for Long-term Forecasting
McGill University（麦吉尔大学）；Mila（米拉研究所）；ILLS
针对时间序列预测中片段大小影响不同频率模式学习的问题，提出多分支架构MTST，同时建模多分辨率时序模式并采用相对位置编码提取多尺度周期成分，在真实数据集上优于现有技术。
2024-03-22 cs.LG
Spatio-Temporal Forecasting of Retaining Wall Deformation: Mitigating Error Accumulation via Multi-Resolution ConvLSTM Stacking Ensemble
Department of Civil and Environmental Engineering, Hongik University（弘国大学土木与环境工程系）
提出多分辨率ConvLSTM集成框架，利用不同时间输入分辨率减轻误差累积，提高分阶段开挖中挡土结构长期变形预测的准确性。
2026-05-22 cs.LG
Residual-Guided Multi-Resolution Refinement of Foundation Models: A Case Study in Drought Forecasting
研究针对区域气候预测中时间序列基础模型的挑战，提出残差引导多分辨率细化框架RGMR，无需更新主干参数，应用于干旱预测时能降低测试集MSE，为部署冻结的TSFM提供实用途径。
2026-07-21 cs.LG
PCA-Enhanced Adaptive NVAR Framework for High-Resolution Sea Surface Temperature Forecasting in the East Sea
Pusan National University（釜山大学）
提出PCA增强的自适应NVAR框架，通过SVD降维和自适应NVAR时序建模，实现东海海面温度的高效准确预测，优于标准NVAR方法。
2026-09-09 cs.LG
FABLE: A Localized, Targeted Adversarial Attack on Weather Forecasting Models
Michigan State University（密歇根州立大学）；TSMC Technology Inc（台积电技术公司）
本文提出FABLE框架，通过3D离散小波分解分离数据的空间和时间成分，调节对抗扰动幅度以生成接近原输入但能引导模型生成目标预报的对抗输入，验证了其在多种指标上的有效性。
2026-04-03 cs.CR cs.LG
MultiResFormer: Transformer with Adaptive Multi-Resolution Modeling for General Time Series Forecasting
Layer 6 AI；University of Toronto（多伦多大学）；The Vector Institute（向量研究所）
提出MultiResFormer，通过自适应选择最优patch长度并利用多分支周期性编码，在长期和短期预测中优于现有Transformer和CNN基线，且参数更少。
2024-02-08 cs.LG
Multi-Resolution, Multi-Horizon Distributed Solar PV Power Forecasting with Forecast Combinations
The University of Melbourne（墨尔本大学）
分布式、小型太阳能光伏系统的安装速度正在迅速增加。这可能对配电网络和能源市场造成重大影响。因此，非常需要在不同的时间分辨率和范围内改进这些系统的发电预测。然而，预测模型的性能取决于分辨率和视野。在这种情况下，将多个模型的预测组合成单个预测的预测组合（集合）可能是稳健的。因此，在本文中，我们提供了五个国家的最先进的预测模型和现有的预测组合在多个分辨率和视野的性能比较和见解。我们提出了一种预测组合方法的基础上粒子群优化（PSO），这将使预测员能够产生准确的预测，为手头的任务，通过加权个别模型产生的预测。此外，我们将所提出的组合方法与现有的预测组合方法的性能进行了比较。一个全面的评估是使用现实世界的住宅光伏发电数据集测量位于美国三个地点的25所房子。四种不同分辨率和四种不同水平的结果表明，基于PSO的预测组合方法优于使用任何单个预测模型和其他预测组合，与表现最好的单个模型相比，平均绝对比例误差平均降低了3.81%。我们的方法使太阳能预报员能够为他们的应用程序提供准确的预报，无论预报分辨率或水平。
2022-06-22 cs.LG
IPatch: A Multi-Resolution Transformer Architecture for Robust Time-Series Forecasting
CCPS Laboratory, ENSAM, Hassan II University（CCPS实验室，ENSAM，哈桑二世大学）；IRIT, UMR 5505 CNRS, Université Toulouse Capitole（IRIT，UMR 5505 CNRS，图卢兹大学）；IRIT, UMR 5505 CNRS, Université Toulouse, UT2J（IRIT，UMR 5505 CNRS，图卢兹大学）
IPatch结合点状和块状表示，多分辨率建模时间信息，提升时间序列预测的准确性、抗噪性和泛化能力。
2026-03-25 cs.LG
HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting
University of Manchester（曼彻斯特大学）；Hunan University（湖南大学）；Microsoft Research（微软研究院）；Chinese Academy of Sciences（中国科学院）
针对极端天气预报研究不足、专用数据集有限的问题，本研究构建了基于NOAA的HRRR数据的高分辨率极端天气数据集HR-Extreme，评估现有模型并提出性能更优的HR-Heim模型，揭示极端天气案例误差更大的问题，强调需提升极端天气预报准确性。
2025-02-18 cs.LG
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Argonne National Laboratory（阿贡国家实验室）
本文提出隐私保护联邦学习（PPFL），通过个性化层和差分隐私机制在异构智能电表数据上实现短期负荷预测，并在NREL ComStock数据集上验证了其有效性。
2023-11-21 cs.CR cs.LG
Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for localized surface temperature forecasting in an urban environment
The Pennsylvania State University（宾夕法尼亚州立大学）；National Center for Atmospheric Research（美国国家大气研究中心）
温度上升是气候变暖的关键指标之一，它会对生物系统和建筑结构造成广泛的压力。由于热岛效应，与其他景观相比，城市环境中的热岛效应最为严重，因为与密集的人类建筑环境相关的植被减少。必须充分监测当地的温度动态，以减轻与温度升高相关的风险，这可以包括保护人和动物的短期战略，以及如何建立新结构和应对极端事件的长期战略。观测到的温度也是大气模型的一个非常重要的输入，准确的数据可以带来更好的未来预测。与无法捕捉当地动态的区域天气预报相比，在地面收集的环境温度可能具有更高的可变性。显然仍然需要以高的时间和空间分辨率准确地预测城市郊区的气温。本研究提出一个基于长短期记忆（LSTM）深度学习网络的框架，以生成具有高空间分辨率的前一天逐时温度预报。一个案例研究显示，使用历史的原位观测和物联网（IoT）的观察，美国纽约市。通过利用来自现场观测的历史气温数据，LSTM模型可以暴露于物联网观测中可能不存在的更多历史模式。同时，通过使用物联网观测，气温预测的空间分辨率得到了显着提高。
2021-02-04 cs.LG
Resolution-Aware Retrieval Augmented Zero-Shot Forecasting
Manning College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Microsoft Research（微软研究院）
本文提出分辨率感知的检索增强零样本预测模型，按频率成分分别利用全局与局部空间信息，在微气候 ERA5 预测中显著优于 HRRR 和 Chronos。
2025-10-19 cs.IR cs.LG
AWGformer: Adaptive Wavelet-Guided Transformer for Multi-Resolution Time Series Forecasting
School of Computer Engineering and Science（计算机工程与科学学院）；Shanghai University（上海大学）
AWGformer通过自适应小波分解与跨尺度注意力机制，提升多分辨率时间序列预测的精度与效率。
2026-01-28 cs.LG
Towards High Resolution Probabilistic Coastal Inundation Forecasting from Sparse Observations
针对稀疏传感器网络限制下的海岸淹没预测问题，提出DIFF-SPARSE掩蔽条件扩散模型，利用时空上下文与新颖掩蔽策略，在95%稀疏度下较现有方法性能提升62%，为应急响应提供支持。
2025-11-11 cs.LG
Daily peak electrical load forecasting with a multi-resolution approach
CELESTE, Inria Saclay（法国国家信息与自动化研究所萨克雷研究中心，CELESTE）；School of Mathematics, University of Bristol（布里斯托大学数学学院）；EDF Lab（法国电力集团研究院）
在智能电网和负载均衡的背景下，每日峰值负载预测已成为能源行业利益相关者的关键活动。了解峰值大小和时间对于实施智能电网策略（如调峰）至关重要。本文提出的建模方法利用高分辨率和低分辨率信息来预测每日高峰需求的大小和时间。由此产生的多分辨率建模框架可以适应不同的模型类。本文的主要贡献是：a）一般和正式介绍的多分辨率建模方法，b）在不同的分辨率通过广义加性模型和神经网络和c）从英国电力市场的真实数据的实验结果实现的建模方法的讨论。结果证实，所提出的建模方法的预测性能是有竞争力的低和高分辨率的替代品。
2021-12-08 cs.LG stat.ME
SoftSEEPS improves ML-based precipitation forecasting
Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Technische Universität Berlin（柏林工业大学）；BIFOLD
本文提出 SoftSEEPS，一个 SEEPS 评分的可微近似，用于直接训练机器学习模型预报降水，并在 IMERG 数据集上验证，可与 RMSE 联合优化且权衡很小。
2026-10-08 cs.LG
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
Medium-Term Multi-Resolution Electric Load Forecasting using Economic Data and Foundation Model
Atos（源讯公司）；EDF（法国电力公司）；Laboratoire des Sciences du Climat & de l’Environnement（气候与环境科学实验室）；CEA（法国原子能和替代能源委员会）；CNRS（法国国家科学研究中心）；UVSQ（凡尔赛大学）；Université Paris-Saclay（巴黎萨克雷大学）；Laboratoire de Mathématiques d’Orsay（奥赛数学实验室）
本研究利用表格基础模型，结合经济数据，对法国中期电力负荷进行多分辨率预测，通过特征选择集成方法将预测技能提升20%，并揭示经济特征重要性随视界增长，弥合了中期与长期预测的差距。
2026-09-29 cs.LG
MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting
China Mobile Research Institute（中国移动研究院）
针对长期时间序列预测中现有方法模式噪声多、可解释性差、忽略多变量个体特征的问题，提出MPPN架构，通过多分辨率语义单元、多周期模式挖掘、通道自适应模块及熵基可预测性评估方法，在9个基准上性能超越现有最优方法。
2023-06-12 cs.LG stat.ML
Pushing the Limits of High-Resolution Weather Forecasting through Data Scaling
State Key Laboratory of Severe Weather Meteorological Science and Technology, Nanjing University（南京大学灾害性天气气象科技国家重点实验室）；School of Atmospheric Science, Nanjing University（南京大学大气科学学院）；Ant Healthcare, Ant Group（蚂蚁集团蚂蚁医疗）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
该研究针对高分辨率天气预报的 data bottleneck，提出BaguanHR框架，通过变量级超分辨率合成高分辨率数据，使预报性能超越现有方法，且数据量与预报误差呈幂律关系。
2026-08-18 cs.AI cs.CV cs.LG
Localized convolutional neural networks for geospatial wind forecasting
Kaunas University of Technology（考纳斯理工大学）
卷积神经网络（CNN）在处理空间栅格数据时具有许多优点。平移不变性使CNN能够检测特征，而不管它们在场景中的位置。然而，在某些领域，如地理空间，并非所有位置都完全相等。在这项工作中，我们提出了本地化的卷积神经网络，使卷积架构能够学习局部特征，除了全局特征。我们调查他们的实例化的形式学习输入，本地权重，和一个更一般的形式。它们可以被添加到任何卷积层，很容易进行端到端训练，引入最小的额外复杂性，并让CNN在需要的程度上保留其大部分优点。在这项工作中，我们解决时空预测：测试我们的方法在合成基准数据集上的有效性，并处理三个真实世界的风预测数据集。对于其中之一，我们提出了一种方法来空间排序的无序数据。我们比较了最近的国家的最先进的时空预测模型相同的数据。使用卷积层的模型可以通过我们的本地化进行扩展。在所有这些情况下，我们的扩展改进了结果，因此通常是最先进的。我们在公共存储库中共享所有代码。
2020-07-10 cs.CV cs.LG cs.NE
High Resolution Forecasting of Heat Waves impacts on Leaf Area Index by Multiscale Multitemporal Deep Learning
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
气候变化的影响可能导致作物质量和产量逐步下降，直至歉收。特别是，热浪和其他极端气候可能导致局部粮食短缺，甚至威胁到世界各地社区的粮食安全。在这项研究中，我们应用深度学习架构进行叶面积指数（LAI）的高分辨率预测（300米，10天），其动态已被广泛用于模拟作物的生长阶段和热浪的影响。LAI模型可以在0.1度的空间分辨率计算与自回归组件调整与天气条件，验证与遥感测量。然而，在这个尺度上（阿尔卑斯山纬度约8公里），在地形形态不同的地区，模型的可操作性很差。相反，我们的深度学习模型旨在通过训练来自哥白尼全球陆地服务（CGLS）项目的全欧洲300 m分辨率和中等分辨率历史天气数据的多尺度多时相（MSMT）数据来预测叶面积指数。此外，深度学习模型的输入整合了高分辨率的地表特征，已知可以改善农业生产力的预测。然后用预测值替换历史天气数据，以预测欧洲10天范围内的LAI值。我们提出了MSMT模型来开发一个高分辨率的作物特定的预警系统，以减轻由于热浪和其他极端事件造成的损害。
2019-09-13 cs.LG q-bio.PE
EarthNet2021: A novel large-scale dataset and challenge for forecasting localized climate impacts
Max-Planck-Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）；University of Jena（耶拿大学）；German Aerospace Center (DLR)（德国航空航天中心）
气候变化是全球性的，但其具体影响在同一地区的不同地点之间可能存在很大差异。季节性天气预报目前在中尺度（> 1公里）上进行。为了更有针对性地减缓和适应气候变化，需要对< 100 m的影响进行建模。然而，驱动变量和地球表面在这种局部尺度上的关系仍然没有得到当前物理模型的解决。大型地球观测数据集现在使我们能够创建机器学习模型，能够将粗略的天气信息转化为高分辨率的地球表面预报。在这里，我们定义为高分辨率的地球表面预报卫星图像的视频预测条件下的中尺度天气预报。视频预测已经用深度学习模型来解决。开发这样的模型需要分析就绪的数据集。我们介绍了EarthNet2021，这是一个新的策划数据集，包含20米分辨率的目标时空哨兵2卫星图像，与高分辨率地形和中尺度（1.28公里）天气变量相匹配。拥有超过32000个样本，适合训练深度神经网络。比较多个地球表面预测并不是小事。因此，我们定义了EarthNetScore，一个新的排名标准模型预测地球表面反射率。对于模型的相互比较，我们将EarthNet 2021作为一个挑战，基于不同的测试集，有四个轨道。这些允许评估模型的有效性和鲁棒性以及模型对极端事件和完整的年度植被周期的适用性。除了通过卫星衍生的植被指数预测可直接观测到的天气影响外，有能力的地球表面模型还将使作物产量预测、森林健康评估、海岸线管理或生物多样性监测等下游应用成为可能。在www.earthne…
2020-12-11 cs.AI cs.DB cs.LG
Multiple-Resolution Tokenization for Time Series Forecasting with an Application to Pricing
Pricing Optimisation Tesco（定价优化泰科）
本文提出一种多分辨率分词的时间序列Transformer，通过多尺度分块、时变变量模块和混合器捕获跨序列信息，并在大型零售商定价预测中超越现有模型。
2025-04-21 cs.AI cs.LG
Comparative Analysis of Polygon-Based and Global Machine Learning Models for Bus Occupancy Prediction
Faculty of Computer and Information Science, University of Ben Gurion, Be'er Sheva, Israel（本·古里安大学计算机与信息科学学院，贝尔谢巴，以色列）；Department of Geography and Environmental Development, Ben-Gurion, Israel（地理与环境发展系，本·古里安，以色列）
本文通过整合空间聚类与多维特征分析，提出一种公交客流预测框架，通过局部模型提升预测精度，证明空间感知的局部建模策略在公共交通预测中的有效性。
2026-04-30 cs.LG
Systematic Evaluation of TabPFN-TS and Chronos-2 for Zero-Shot Heat Load Forecasting in District Heating Networks
RWTH Aachen University（亚琛工业大学）；Process Systems Engineering（过程系统工程）；Chair of Energy Efficient Buildings Indoor Climate（节能建筑室内气候主席席位）
本研究系统评估TabPFN-TS用于区域供热网络零样本概率热负荷预测，确定了最优配置，其性能接近Chronos-2且校准更好，相关发现推动了多分辨率残差校正预测器的开发。
2026-10-07 cs.LG
Temporal Graph MLP Mixer for Spatio-Temporal Forecasting
ETH Zurich（苏黎世联邦理工学院）
针对现实传感器网络中缺失数据影响时空预测的问题，提出结合节点级处理、补丁级子图编码与三维MLP-Mixer的T-GMM架构，多数据集实验验证其在缺失数据场景下的有效预测能力与长程依赖捕获优势。
2025-01-17 cs.LG
TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with Synthetic Information
Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系）
流感样疾病（ILI）给我们的社会带来了沉重的社会和经济负担。传统上，ILI监测数据每周更新一次，并以空间粗分辨率提供。对ILI进行及时和可靠的高分辨率时空预报对于当地的备灾和最佳干预至关重要。我们提出了TDEFSI（理论引导的基于深度学习的综合信息流行病预测），这是一个流行病预测框架，它集成了深度神经网络的优势和网络上流行病过程的高分辨率模拟。TDEFSI使用低分辨率时间序列数据生成准确的高分辨率时空预测。在训练阶段，TDEFSI使用高分辨率的流行病模拟，明确模拟城市地区固有的空间和社会异质性，作为训练数据的一个组成部分。我们训练一个两分支的递归神经网络模型，以季内和季间的低分辨率观测值作为特征，并输出高分辨率的详细预报。由此产生的预测不仅由观察到的数据驱动，而且还捕捉了特定城市地区复杂的社会、人口和地理属性，以及疾病在网络上传播的数学理论。我们专注于预测ILI的发病率，并使用美国州和县一级的合成和真实世界的测试数据集评估TDEFSI的性能。结果表明，在国家一级，我们的方法实现可比/更好的性能比几个国家的最先进的方法。在县一级，TDEFSI优于其他方法。所提出的方法也可以应用于其他传染病。
2020-01-28 cs.LG stat.OT
Spatial Temporal Approach for High-Resolution Gridded Wind Forecasting across Southwest Western Australia
International Centre for Radio Astronomy Research, University of Western Australia（国际射电天文研究中心，西澳大利亚大学）；UWA Oceans Institute, University of Western Australia（西澳大利亚大学海洋研究所）
针对传统模型在小区域高分辨率风况预测和中长期时空趋势捕捉上的不足，本研究提出一种时空方法，利用地形、气压及稀疏气象站观测数据等多源气象因子，在西澳西南部实现3米和10米高度的高精度网格风预报，显著提升了预测准确性与可靠性。
2024-07-26 cs.LG physics.ao-ph
IceDiff: High Resolution and High-Quality Sea Ice Forecasting with Generative Diffusion Prior
Fudan University（复旦大学）；Shanghai AI Laboratory（上海人工智能实验室）；Chinese University of Hong Kong（香港中文大学）
提出两阶段深度学习框架 IceDiff，结合 vision transformer 和无条件扩散模型，首次实现 6.25km x 6.25km 分辨率的高质量海冰密集度预报，扩展了现有模型的边界。
2024-10-10 cs.AI cs.LG physics.ao-ph
A Multi-Resolution Multi-Domain Pre-Training Framework for Universal Traffic Forecasting
National University of Defense Technology（国防科技大学）；Shandong University（山东大学）；HKUST (GZ)（香港科技大学（广州））；Didichuxing Co. Ltd（滴滴出行科技有限公司）；HKUST (GZ) and HKUST（香港科技大学（广州）和香港科技大学）
针对交通数据异质性导致预训练模型泛化差的问题，提出FlexST框架，通过多分辨率扩散模块、域自适应混合专家和统一周期编码，在23个数据集上零样本和少样本设置中显著超越现有基线。
2026-09-15 cs.LG
A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS
University of Oklahoma, School of Meteorology, Norman, Oklahoma（俄克拉荷马大学气象学院）；University of Oklahoma, School of Computer Science, Norman, Oklahoma（俄克拉荷马大学计算机科学学院）；NSF AI Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography, Norman, Oklahoma（国家科学基金会可信人工智能研究机构）；University of California Irvine, Irvine, California（加州大学伊维德分校）；San Diego State University, San Diego, California（圣地亚哥州立大学）
本文提出基于扩散的深度学习框架，通过比较三种残差预测策略，提升高分辨率降水预报的准确性和可靠性。
2025-12-09 cs.LG
StretchCast: Global-Regional AI Weather Forecasting on Stretched Cubed-Sphere Mesh
Institute of Urban Meteorology, China Meteorological Administration (IUM, CMA)（中国气象局城市气象研究所）；LeadSee Team Beijing Meteorological Service（北京气象局LeadSee团队）
本文提出StretchCast框架，利用可变分辨率拉伸立方体网格实现全球-区域AI天气预报，通过SCS_Base和SCS_FCST4模型展示多步预测的可行性与优势。
2026-03-28 cs.LG physics.ao-ph
Automating Forecasting Question Generation and Resolution for AI Evaluation
FutureSearch（未来搜索）
本文提出利用LLM驱动的网络研究代理自动化生成和解答预测问题，生成1499个多样化问题并实现96%的准确率，提升预测性能。
2026-03-09 cs.AI cs.LG
M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting
M$^2$FMoE通过多分辨率多视角频率混合专家模型，有效捕捉时间序列中的常规和极端模式，提升极端事件适应性预测性能。
2026-01-13 cs.AI cs.LG
Short-Term Traffic Forecasting Using High-Resolution Traffic Data
New York University Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）
本文开发了一个数据驱动的工具包，用于使用高分辨率（a.k.a.基于事件的）交通数据。这是从城市道路中的固定传感器获得的原始数据。这种原始数据的时间序列从一个时间步到下一个时间步（通常在0.1-1秒的量级上）表现出严重的波动。交通状况的短期预测（未来10-30秒）对于交通运营应用（例如，自适应信号控制）。但是文献中的交通预测工具主要处理3-5分钟的聚合数据，其中典型的信号周期为2分钟的量级。这使得这种预测在业务一级毫无用处。为此，我们将流量预测问题建模为矩阵完成问题，其中预测输入使用内核映射到高维空间。该公式使我们能够捕获预测输入和输出之间的非线性依赖关系，也使我们能够捕获输入之间的依赖关系。这些依赖性对应于网络中不同位置之间的相关性。我们进一步采用自适应提升来提高训练准确性并捕获数据中的历史模式。所提出的方法的性能进行了验证，使用高分辨率的数据从现实世界中的交通网络在阿布扎比，阿联酋。我们的实验结果表明，该方法优于其他国家的最先进的算法。
2020-06-22 cs.LG eess.SP math.OC
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting
Shanghai AI Laboratory（上海人工智能实验室）；Hong Kong University of Science and Technology（香港科技大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；National Meteorological Information Center of CMA（中国气象局国家气象信息中心）；National Meteorological Center of CMA（中国气象局国家气象中心）
针对现有数据驱动天气预报模型分辨率受限的问题，本研究提出FengWu-GHR模型，通过继承低分辨率预训练模型先验知识实现0.09°公里级全球中期预报，性能优于IFS-HRES，具备高分辨率业务预报潜力。
2024-01-28 cs.AI cs.LG physics.ao-ph
ArchesWeather: An efficient AI weather forecasting model at 1.5° resolution
Inria（法国国家信息与自动化研究所）；ECMWF（欧洲中期天气预报中心）；ENSIEE（法国电力与电子工程师学院）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出ArchesWeather，一种结合2D注意力与列注意力特征交互模块的transformer天气预报模型，在1.5°分辨率下以极低训练和推理成本实现优于IFS HRES的预报性能。
2024-07-03 cs.AI cs.LG
PRISM: A hierarchical multiscale approach for time series forecasting
University of Pennsylvania（宾夕法尼亚大学）
PRISM通过分层多尺度方法提升多变量时间序列预测的准确性，结合树形结构和时间-频率基提取特征，实现全局与局部动态的联合建模。
2025-12-31 cs.LG
DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting
Washington University in St. Louis（圣路易斯华盛顿大学）；NVIDIA（英伟达）
FourCastNet（FCN）等数据驱动模型在高分辨率全球天气预报方面表现出了出色的性能。然而，这种表现是基于对网格天气数据的监督，而没有利用原始气候观测数据，这是黄金标准地面实况。在这项工作中，我们开发了一种方法来校正，重新映射和微调FCN的网格化统一预测，以便它可以直接与观测地面实况进行比较，这是稀疏和不均匀的空间和时间。这类似于数值天气预报（NWP）的偏差校正和后处理，这是全球气象和天气预报中心的常规操作。自适应傅立叶神经运算器（AFNO）架构被用作骨干来学习大气的连续表示。在给定输出查询位置的情况下，通过非均匀离散逆傅立叶变换（NUIDFT）来评估空间和时间非均匀输出。我们将这个网络称为深度学习校正器重映射器（DLCR）。DLCR的性能相对于基准性能的黄金标准地面实况的改进显示了其在观测监督下校正、重新映射和微调网格化预报的潜力。
2022-10-21 cs.LG physics.ao-ph
Localized Weather Prediction Using Kolmogorov-Arnold Network-Based Models and Deep RNNs
African Institute for Mathematical Sciences (AIMS), Research and Innovation Centre (RIC)（非洲数学科学研究所（AIMS），研究与创新中心（RIC））
本研究在热带非洲城市对深度RNN与Kolmogorov-Arnold模型进行天气预报基准测试，并改进TKAN激活函数，发现KAN在温度预测上表现最优，定制TKAN变体提升了降水预报精度，而经典RNN在气压预测上更具优势。
2025-05-27 cs.LG physics.ao-ph
CRPS-LAM: Probabilistic Regional Weather Forecasting with Continuous Ranked Probability Score
Linköping University（林雪平大学）；ETH AI Center（苏黎世联邦理工学院人工智能中心）；SMHI（瑞典气象和水文研究所）
本文提出CRPS-LAM，一种结合CNN和GNN的混合架构，用于高效准确的区域天气预测，通过连续排名概率评分目标实现快速训练和采样，相比扩散模型基线提速约39倍。
2026-06-28 cs.LG
A weakly supervised framework for high-resolution crop yield forecasts
Wageningen University and Research（瓦赫宁根大学及研究中心）
用于作物产量预测的预测器输入和标签数据并非总是以相同的空间分辨率提供。我们提出了一个深度学习框架，该框架使用高分辨率输入和低分辨率标签来生成两个空间级别的作物产量预测。利用低分辨率的作物面积和产量统计数据，通过弱监督对预测模型进行了校正。我们通过将欧洲的区域产量从母统计区域分解为五个国家（德国，西班牙，法国，匈牙利，意大利）和两种作物（软质小麦和马铃薯）的子区域来评估该框架。将弱监督模型的性能与线性趋势模型和服从提升决策树（GBDT）进行了比较。更高分辨率的作物产量预测对政策制定者和其他利益攸关方有用。弱监督深度学习方法提供了一种即使在缺乏高分辨率产量数据的情况下也能产生这种预测的方法。
2022-05-18 cs.LG
PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data across Nodes
University of Science and Technology of China（科学技术大学）
提出基于Transformer的PiXTime框架，通过参数解耦架构（局部个性化模块+全局共享骨干）处理异构时间序列，实现联邦学习中的异构数据预测，并在多个基准上达到最优性能。
2026-05-25 cs.AI cs.LG
Skillful High-Resolution Ensemble Precipitation Forecasting with an Integrated Deep Learning Framework
ColorfulClouds Technology Co.,Ltd.（彩雲科技有限公司）
本文提出融合3D SwinTransformer确定性模型与潜空间条件扩散概率模型的框架，在ERA5和CMPA上实现0.05°集合降水预报，提升极端降水捕捉与实时预报性能。
2025-01-06 cs.AI cs.LG
Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution
Indian Institute of Technology, Bombay（印度理工学院孟买分校）；BMS College of Engineering（BMS工程学院）
本文提出物理信息 ConvLSTM2D 模型，利用 ERA5 多高度层数据在孟买四个局部网格上预测未来 6 小时和 12 小时降水，以提升城市尺度降雨预报的时空精度。
2024-04-01 cs.LG
FuXi-Ocean: A Global Ocean Forecasting System with Sub-Daily Resolution
Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院）；Shanghai Innovation Institute（上海创新研究院）；School of Marine Science and Technology,Tianjin University（天津大学海洋科学与技术学院）
FuXi-Ocean是首个数据驱动的全球海洋预报模型，实现六小时、1/12°涡分辨预报，通过Mixture-of-Time模块整合多时间上下文预测，有效减轻累积误差，在温度、盐度和海流预测上表现优越。
2025-10-24 cs.AI cs.LG physics.ao-ph
Simultaneously forecasting global geomagnetic activity using Recurrent Networks
Georgia Institute of Technology（佐治亚理工学院）；Pennsylvania State University（宾夕法尼亚州立大学）
社会使用的许多系统极易受到太阳耀斑和地磁暴等空间气象事件的影响，这些事件有可能造成灾难性损害。近年来，出现了许多作品，通过预测这些事件，通过一些代理，这些系统提供预警，但这些方法主要集中在一个特定的现象。我们提出了一个序列到序列的学习方法来预测全球空间天气条件的问题，在每小时的分辨率。这种方法改进了在这一领域的其他工作，同时预测地磁活动的几个关键代理提前6小时。我们证明了一个改进，目前已知的最好的预测地磁风暴，并改善了持久性基线提前几个小时。
2020-11-20 cs.LG
