PulseAugur
中
实时 00:22:11

新的物理信息模型增强了天气和时间序列预测

作者 PulseAugur 编辑部 · [3 个来源] ·

两篇新研究论文介绍了用于天气和物理系统时间序列预测的新方法。第一篇论文“Benchmarking Physics-Informed Time-Series Models for Operational Global Station Weather Forecasting”提出了一个名为WEATHER-5K的大规模天气数据集和一个名为PhysicsFormer的物理信息Transformer模型。第二篇论文“Phys-JEPA: Physics-Informed Latent World Models for Multivariate Time-Series Forecasting”提出了Phys-JEPA，该模型将物理一致性直接施加于潜在状态，而不仅仅是解码后的输出。与现有方法和操作化系统相比，这两种模型都旨在提高预测的准确性和物理合理性。 AI

影响 这些物理信息模型可能带来更准确、更可解释的复杂物理系统预测，从而改善天气预报业务和科学建模。

排序理由 两篇学术论文介绍了用于时间序列预测的新模型和数据集。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

新的物理信息模型增强了天气和时间序列预测

报道来源 [3]

  1. arXiv cs.LG TIER_1 English(EN) · Tao Han, Zhibin Wen, Zhenghao Chen, Dazhao Du, Song Guo, Lei Bai ·

    用于运行全球站点天气预报的物理信息时间序列模型的基准测试

    arXiv:2406.14399v4 Announce Type: replace Abstract: The development of Time-Series Forecasting (TSF) models is often constrained by the lack of comprehensive datasets, especially in Global Station Weather Forecasting (GSWF), where existing datasets are small, temporally short, an…

  2. arXiv cs.AI TIER_1 English(EN) · Weizhi Nie, Weichao Liu, Honglin Guo, Yuting Su ·

    Phys-JEPA：面向多变量时间序列预测的物理信息潜在世界模型

    arXiv:2606.16076v1 Announce Type: cross Abstract: Multivariate forecasting in physical systems requires models that predict coupled temporal variables while preserving meaningful state evolution. Deep forecasters can fit temporal correlations, and physics-informed models can regu…

  3. Medium — MLOps tag TIER_1 English(EN) · Christopher Onyeneke ·

    当物理学几乎正确时：为ECMWF温度预报构建机器学习纠错层

    <div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@conyeneke1/when-physics-gets-it-almost-right-building-an-ml-correction-layer-for-ecmwf-temperature-forecasts-b5e92aa3daa3?source=rss------mlops-5"><img src="https://cdn-images-1.medium.com/max…

相关实体

相关话题