TSSM：面向全球站点天气预报的三轴状态空间模型（基于时间-变量-历史建模）

# TSSM: 用于全球站点天气预报的三轴状态空间模型，结合时间-变量-历史建模
来源: https://arxiv.org/html/2607.13101
Songru Yang, Zili Liu⋆, Tao Han, Ben Fei, Fenghua Ling, Lei Bai, Chang Liu, Xiangyang Ji, Zhenwei Shi, , Zhengxia Zou⋆本工作部分得到国家自然科学基金资助，项目编号为 U24B20177、62125102、U25A20401 和 62471014。Songru Yang、Zhenwei Shi 和 Zhengxia Zou 与北京航空航天大学宇航学院航天智能科学与技术系以及教育部航天器设计优化与动态模拟技术重点实验室（北京 100191）关联。Zili Liu、Tao Han、Fenghua Ling、Lei Bai 与上海人工智能实验室（上海 200232）关联。Ben Fei 与香港中文大学信息工程系（香港 999077）关联。Chang Liu、Xiangyang Ji 与清华大学自动化系（北京 100084）关联。

###### 摘要

全球站点天气预报（GSWF）对于关键区域的局部和极端天气预测至关重要。尽管已有工作利用回溯窗口，但现有方法在精度提升上效果有限，且在极端事件和误差累积方面困难重重。这些局限性源于对短期模式的过度依赖，而短期模式不足以捕捉混沌的天气动力学，尤其是在部分观测条件下。为解决此问题，我们提出了一种新颖的三轴状态空间模型（TSSM），采用历史增强的时间-变量-历史范式，该范式整合了周期对齐的历史天气数据，以补偿超出时间回溯窗口的长期、大尺度周期和全窗口天气模式。具体而言，TSSM 将历史样本堆叠成周期对齐的批次，预测由历史和当前观测因果支持。设计了时间、变量和历史扫描，以捕捉轴向的时间依赖、变量相关性和历史演变。该结构通过层级共享来建模从季节到极端的事件，同时缓解历史模式间的错位。TSSM 在目前最大的站点天气数据集 Weather-5K 上实现了 SOTA 性能，在精度和极端事件指标上分别获得 10% 和 61% 的提升，并在涉及人类活动的数据集上取得 95% 的最佳或次佳结果。其优势在长时程和迭代预测中更为明显，在 240 小时时达到 37.5% 的提升，在 48h×5 迭代设置下提升高达 103.5%。此外，在高达 80% 观测缺失的情况下，TSSM 仍能保持 >90% 的性能，而基线方法则低于 43%，展示了在全球原位观测网络中实现可靠 GSWF 的鲁棒性和实际潜力。

## 一、引言

全球站点天气预报（GSWF）在全球范围内提供及时、局部的天气预报方面发挥着关键作用[56, 59, 18]。通过提高平均精度、捕捉极端事件和延长有效预测时程，GSWF 支持灾害管理和交通等关键应用，提供精确的站点特定预报。这一能力对于缓解气候变化影响和解决基于网格的方法常常无法解决的局部尺度极端事件日益重要[52, 72]。现有方法已支持冬奥会等关键场景[59]。

现有的数据驱动 GSWF 方法通常将该任务建模为多变量时间序列预测。它们利用历史观测值，借助先进的主干网络预测未来动态，包括基于 MLP 的模型[66, 31, 39]、LSTM 变体[23, 21]、Transformer[71, 37, 36] 和 Mamba 架构[43, 15, 40]。最近的研究融入了区域上下文[22, 39, 40]。这些方法旨在学习复杂的时间-变量依赖和非线性天气模式，为传统的基于物理的预测[3]提供了有力的补充。然而，即使是日益复杂的设计[59, 62]也往往带来有限的增益，而平均精度、极端事件预测和长时程稳定性由于迭代预测中严重的误差累积而仍不尽如人意。

我们将这些局限性归因于对从传统时间序列预测继承的时间回溯窗口的过度依赖。在这种范式下，尽管先前的方法构建了趋势-季节-残差分解或检索记忆模式[31, 58]，但它们是在平稳性和近视性假设[5, 11]下运行的，即假设未来模式与有限的历史窗口保持一致且主要依赖于它。这些假设与大气动力学固有的非平稳、跨尺度周期性[44, 24]相冲突，从而限制了模型捕捉长程依赖和准确预测所必需的基础物理结构的能力。

超越短期时间回溯窗口，我们从一个长期、跨尺度的视角重新审视 GSWF。受传统预报实践中同期气候学分析[41]的启发，我们观察到，尽管天气序列在当前时间维度上高度混沌，但它们在历史演变中表现出一致且可分离的模式，即同一站点跨年度的月份/日期/小时对齐的观测，如图 1 所示。

<figure>
<figcaption>图 1: 中国山东青岛某站点对齐的月份/日期/小时观测中一致且可分离的历史天气模式。每个变量内这些共享模式由红色框和灰色箭头突出显示，并倾向于发生在历史上对齐的时间。</figcaption>
</figure>

基于这一洞见，我们将时间-变量建模扩展到一个历史维度，并提出了一种新颖的三轴状态空间模型（TSSM）及其时间-变量-历史预测流程。如图 2 所示，TSSM 利用状态空间模型的定向扫描能力进行轴向建模，将时间轴和变量轴上的短期小时级动态锚定到历史轴建模的长期年际演变，并从历史年份相同月份、日期和小时中因果地学习演变模式。该设计为预测提供了长期参考，改善了极端事件捕捉（尤其在长时程设置下），并校准预测以减轻迭代预测中的累积误差。此外，TSSM 将现有 GSWF 设置扩展到支持观测缺失情况下的预测[49]，从而提高了在缺失数据不可避免的现实场景中的鲁棒性。

<figure>
<figcaption>图 2: 我们将 GSWF 扩展到历史维度的概述，包括 (a) 数据结构、(b) 建模策略、(c) 为所提出的三轴状态空间模型设计的预测框架，以及 (d) 在 Weather-5K 上的性能比较。不同方法以颜色标记。</figcaption>
</figure>

具体而言，我们的流程包含三个关键设计：三轴数据重组、因果预测和 TSSM 架构。首先，对于三轴数据重组，我们通过将前几年同一月份/日期/小时的多变量天气序列堆叠成一个 T×V×H 张量（对应于时间、变量和历史轴）来建立一个历史轴，无需额外输入，如图 2(a) 所示。其次，对于因果预测，每个当前预测由回溯窗口中年份 0 到 H 的历史窗口和预测窗口中年份 0 到 H-1 的历史窗口支持，而时间-变量模式从回溯窗口因果地流向预测窗口，无未来泄露，如图 2(c) 所示。第三，对于 TSSM 架构，我们引入了时间、变量和历史扫描模块，即 T-Scan、V-Scan 和 H-Scan，以高效建模逐年扩展的输入。T-Scan 捕捉短期动态，V-Scan 建模变量间相关性，H-Scan 捕捉长期历史演变以及相对于近年历史均值的偏差，如图 2(b) 所示。这些模块可以独立组合，并通过层级共享构建从季节模式到极端事件的天气状态。当可用历史数据减少时，TSSM 自然地退化到以上一年参考为锚点的时间-变量预测，也可以采用更短的周期（例如以周对齐的数据）。

我们在 Weather-5K[19]（我们的主要测试平台，目前最大的 GSWF 特定站点天气数据集，涵盖并扩展了现有站点数据集）上进行了大量实验，并进一步在受人类调控的水文数据以及涵盖人类行为模式和能量动态的一般时间序列数据集[28, 70, 26]上验证了泛化能力。该数据集包含来自全球 5000+ 地面气象站的小时级温度、露点、风向、风速和海平面气压记录，覆盖六大洲，时间跨度 10 年。在定性和定量评估中，TSSM 在平均预报精度和极端事件预报精度方面均显著优于现有方法，如图 2(d) 所示。对于 Weather-5K，我们的方法在四个指标共 72 项结果中有 88% 达到最佳或次佳，平均整体精度提升 10%，极端事件预测提升 61%。对于其他两个数据集，TSSM 在总计 95% 的结果中也达到最佳或次佳。此外，我们的优势在长期和鲁棒预测中更为显著。它在 240 小时时实现整体提升 37.5%，在 48h×5 迭代方式下提升高达 103.5%，且累积迭代误差 <4.3%，甚至优于一步预测，并对缺失数据表现出强鲁棒性，在 80% 缺失率下性能下降小于 10%，而基线方法下降 >50%。

我们的贡献总结如下：

- • 我们引入了 TSSM，将 GSWF 扩展到三轴时间-变量-历史范式，用于联合建模短期动态和长期演变，同时补偿回溯窗口之外的全窗口平稳性和跨尺度周期性，为全面性能提升提供几乎免费的“午餐”。
- • 我们提出了三轴扫描机制，包括 T-Scan、V-Scan 和 H-Scan。基于短期动态和变量相关性，我们以同构状态空间模型方式扩展历史轴建模，以学习周期对齐历史天气的长期演变模式，并设计了历史增强的流程，包括三轴数据重组和因果预测。
- • 在目前最大的 GSWF 数据集 Weather-5K 以及涉及人类活动的数据集上进行的大量实验验证了 TSSM 不仅在平均和极端事件预测上显著优于现有方法，而且在不增加额外信息或高复杂度的情况下，为迭代预测中的累积误差和观测缺失问题提供了前所未有的解决方案。

## 二、相关工作

### II-A 数据驱动天气预报

自 2022 年以来，AI 和大气科学界对数据驱动数值天气预报（NWP）模型的兴趣迅速增长，如 Pangu-Weather[4]、GraphCast[27]、GenCast[10] 及相关方法[50, 6, 12]，这些模型在 0.25° 和 0.09° 分辨率下的网格再分析数据（例如 ERA5[20]）上运行。在网格化天气场预报和临近预报中，最近的研究强调了降水/降雨动态和多源融合[55, 29, 64, 7, 33, 67, 34]。然而，这些大规模区域平均方法可能无法匹配站点级天气系统，并可能忽略高度破坏性的局部极端天气。与天气场预测不同，站点级预测侧重于逐点原位观测和局部物理机制。一些初步尝试，如 Corrformer 和 WSSM[59, 62, 22]，已将站点天气预报视为独立任务并取得了有希望的结果。然而，这些方法仍然依赖于短期时间回溯窗口，这严重限制了它们的能力、鲁棒性和实际应用性。

### II-B 多变量时间序列预测

多变量时间序列预测旨在从回溯窗口内的短期时间-变量依赖中预测未来动态，隐含地假设局部平稳性和对近期历史的主导依赖[66, 47, 57, 31, 14, 17, 38, 35, 42, 45, 51, 54]。