論文の概要: FlowCast-ODE: Continuous Hourly Weather Forecasting with Dynamic Flow Matching and ODE Solver
- arxiv url: http://arxiv.org/abs/2509.14775v2
- Date: Tue, 30 Sep 2025 14:33:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 14:44:59.815572
- Title: FlowCast-ODE: Continuous Hourly Weather Forecasting with Dynamic Flow Matching and ODE Solver
- Title（参考訳）: FlowCast-ODE:動的フローマッチングとODEソルバーによる連続時間気象予測
- Authors: Shuangshuang He, Yuanting Zhang, Hongli Liang, Qingye Meng, Xingyuan Yuan, Shuo Wang,
- Abstract要約: 本研究では,時間的コヒーレンスを確保するために,大気の進化を連続的な流れとして扱うフレームワークであるFlowCast-ODEを紹介する。
6時間間隔で事前トレーニングし、データ不連続をサイドステップし、時間単位のデータで微調整することで、FlowCast-ODEは単一の軽量モデルで最大120時間のシームレスな予測を生成する。
- 参考スコア（独自算出の注目度）: 9.487599354465486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven hourly weather forecasting models often face the challenge of error accumulation in long-term predictions. The problem is exacerbated by non-physical temporal discontinuities present in widely-used training datasets such as ECMWF Reanalysis v5 (ERA5), which stem from its 12-hour assimilation cycle. Such artifacts lead hourly autoregressive models to learn spurious dynamics and rapidly accumulate errors. To address this, we introduce FlowCast-ODE, a novel framework that treats atmospheric evolution as a continuous flow to ensure temporal coherence. Our method employs dynamic flow matching to learn the instantaneous velocity field from data and an ordinary differential equation (ODE) solver to generate smooth and temporally continuous hourly predictions. By pre-training on 6-hour intervals to sidestep data discontinuities and fine-tuning on hourly data, FlowCast-ODE produces seamless forecasts for up to 120 hours with a single lightweight model. It achieves competitive or superior skill on key meteorological variables compared to baseline models, preserves fine-grained spatial details, and demonstrates strong performance in forecasting extreme events, such as tropical cyclone tracks.
- Abstract（参考訳）: データ駆動時の天気予報モデルは、長期予測においてエラーの蓄積という課題に直面していることが多い。
この問題は、ECMWFリアナリシス v5 (ERA5) のような広く使われている訓練データセットに存在している物理的時間的不連続性によって悪化する。
このようなアーティファクトは時間ごとに自己回帰モデルを導き、素早いダイナミクスを学び、迅速にエラーを蓄積する。
これを解決するために,大気の進化を連続的な流れとして扱う新しいフレームワークであるFlowCast-ODEを導入し,時間的コヒーレンスを確保する。
本手法では,データから瞬時速度場を学習するために動的流れマッチングを用い,時空のスムーズかつ時間的連続な予測を生成するために常微分方程式(ODE)を解く。
6時間間隔で事前トレーニングし、データ不連続をサイドステップし、時間単位のデータで微調整することで、FlowCast-ODEは単一の軽量モデルで最大120時間のシームレスな予測を生成する。
基準線モデルと比較して重要な気象変数の競争力や優れた技術を実現し、きめ細かい空間的詳細を保存し、熱帯サイクロン軌道のような極端な事象を予測する上で強い性能を示す。
関連論文リスト
- LaDCast: A Latent Diffusion Model for Medium-Range Ensemble Weather Forecasting [1.2277343096128712]
我々は中距離アンサンブル予測のための最初のグローバル潜在拡散フレームワークであるLaDCastを紹介する。
LaDCastは学習された潜在空間で、時間ごとのアンサンブル予測を生成する。
LaDCastはEuropean Centre for Medium-Range Forecast IFS-ENSに近い決定的および確率的スキルを達成している。
論文 参考訳（メタデータ） (2025-06-10T19:17:14Z) - FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。
時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
論文 参考訳（メタデータ） (2025-06-01T19:55:33Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - ODEStream: A Buffer-Free Online Learning Framework with ODE-based Adaptor for Streaming Time Series Forecasting [11.261457967759688]
ODEStreamはバッファフリーの連続的な学習フレームワークで、データ内の時間的依存関係をキャプチャするための時間的分離レイヤを備えている。
連続したデータ表現を生成し、データストリーミングシナリオにおける動的変更へのシームレスな適応を可能にする。
我々のアプローチは、過去のデータの動的および分布が時間とともにどのように変化するかを学ぶことに集中し、ストリーミングシーケンスの直接処理を容易にする。
論文 参考訳（メタデータ） (2024-11-11T22:36:33Z) - Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。
波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。
気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-10-09T05:41:24Z) - Functional Latent Dynamics for Irregularly Sampled Time Series Forecasting [5.359176539960004]
不規則にサンプリングされた時系列は、医療、気候、天文学など、複数の現実世界の応用でしばしば見られる。
機能潜在ダイナミクス(FLD)と呼ばれるモデル群を提案する。
正規微分方程式(ODE)を解く代わりに、モデル内の連続潜時状態を特定するために、常に点が存在する単純な曲線を用いる。
論文 参考訳（メタデータ） (2024-05-06T15:53:55Z) - Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。
近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。
LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
論文 参考訳（メタデータ） (2022-12-24T15:17:42Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。