TSSM：利用时变历史建模进行全球站天气预报的三轴状态空间模型

arXiv:2607.13101v1 发布类型：新 摘要：全球站天气预报 (GSWF) 对于关键区域的局部和极端天气预测至关重要。尽管努力利用回溯窗口，但现有方法的精度增益有限，并且难以应对极端事件和误差累积。这些限制源于对短期模式的过度依赖，这些模式不足以捕捉混乱的天气动态，尤其是在部分观测下。为了解决这个问题，我们提出了一种新颖的三轴状态空间模型（TSSM），具有历史增强的时间变量历史范式，它结合了周期对齐的历史天气数据，以补偿时间回溯窗口之外的长期、大规模周期性和全窗口天气模式。具体来说，TSSM 将历史样本堆叠到按周期排列的批次中，其中预测由历史和当前观察结果因果支持。时间、变量和历史扫描旨在捕获轴向时间依赖性、变量相关性和历史演变。这种结构按层次共享，以模拟季节性到极端事件，同时减轻历史模式之间的不一致。 TSSM 在迄今为止最大的气象站天气数据集 Weather-5K 上实现了 SOTA 性能，准确度和极端事件指标分别提高了 10% 和 61%，并在人类参与的数据集上获得了 95% 的最佳或第二佳结果。其优势在长时域和迭代预测中更为明显，240小时时的增益达到37.5%，48小时×5迭代设置时的增益高达103.5%。此外，TSSM 在高达 80% 的缺失观测情况下保留了 > 90% 的性能，而基线的性能为 < 43%，这证明了全球原位观测网络中可靠 GSWF 的稳健性和实际潜力。