論文の概要: BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression

• arxiv url: http://arxiv.org/abs/2510.06293v1
• Date: Tue, 07 Oct 2025 11:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.105192
• Title: BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression
• Title（参考訳）: BlockGPT:フレームレベル自己回帰による降雨の時空間モデル
• Authors: Cristian Meo, Varun Sarathchandran, Avijit Majhi, Shao Hung, Carlo Saccardi, Ruben Imhoff, Roberto Deidda, Remko Uijlenhoet, Justin Dauwels,
• Abstract要約: BlockGPTはバッチトークン化を用いた生成自己回帰変換器である。 各フレーム内で自己注意とフレーム間の因果的注意を用いて、時空を分解する。 精度が向上し、カテゴリのメトリクスによって測定されるイベントのローカライゼーションが向上し、推論は同等のベースラインよりも最大31倍高速になる。
• 参考スコア（独自算出の注目度）: 7.192323743491843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting precipitation maps is a highly complex spatiotemporal modeling task, critical for mitigating the impacts of extreme weather events. Short-term precipitation forecasting, or nowcasting, requires models that are not only accurate but also computationally efficient for real-time applications. Current methods, such as token-based autoregressive models, often suffer from flawed inductive biases and slow inference, while diffusion models can be computationally intensive. To address these limitations, we introduce BlockGPT, a generative autoregressive transformer using batched tokenization (Block) method that predicts full two-dimensional fields (frames) at each time step. Conceived as a model-agnostic paradigm for video prediction, BlockGPT factorizes space-time by using self-attention within each frame and causal attention across frames; in this work, we instantiate it for precipitation nowcasting. We evaluate BlockGPT on two precipitation datasets, viz. KNMI (Netherlands) and SEVIR (U.S.), comparing it to state-of-the-art baselines including token-based (NowcastingGPT) and diffusion-based (DiffCast+Phydnet) models. The results show that BlockGPT achieves superior accuracy, event localization as measured by categorical metrics, and inference speeds up to 31x faster than comparable baselines.
• Abstract（参考訳）: 降水マップの予測は、非常に複雑な時空間モデリングタスクであり、極端な気象事象の影響を緩和するために重要である。 短期降水予測( nowcasting)は、正確なだけでなく、リアルタイムアプリケーションにも計算効率のよいモデルを必要とする。 トークンベースの自己回帰モデルのような現在の手法は、しばしば欠陥のある帰納的バイアスと遅い推論に悩まされるが、拡散モデルは計算的に集約的である。 これらの制約に対処するために,バッチトークン化(Block)法を用いた生成自己回帰変換器であるBlockGPTを導入し,各時間ステップでフル2次元フィールド(フレーム)を予測する。 映像予測のモデルに依存しないパラダイムとして考案されたBlockGPTは,フレーム内における自己注意とフレーム間の因果的注意を用いて,時空を分解する。 我々は,2つの降水データセット,viz上でBlockGPTを評価した。 KNMI(オランダ)とSEVIR(アメリカ)は、トークンベースの(NowcastingGPT)や拡散ベースの(DiffCast+Phydnet)モデルを含む最先端のベースラインと比較している。 その結果,BlockGPTの精度は向上し,分類指標によるイベントの局所化が達成され,推定速度は同等のベースラインの最大31倍に向上した。

関連論文リスト

• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)

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。