論文の概要: ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting

• arxiv url: http://arxiv.org/abs/2510.09734v1
• Date: Fri, 10 Oct 2025 14:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.600054
• Title: ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting
• Title（参考訳）: ARROW:地球規模の気象予報のための適応的なロールアウトとルーティング手法
• Authors: Jindong Tian, Yifei Ding, Ronghui Xu, Hao Miao, Chenjuan Guo, Bin Yang,
• Abstract要約: 我々は,グローバル気象予測のための適応ロールアウト型マルチスケールルーティング手法であるARROWを提案する。 モデル内では、Shared-Private Mixture-of-Expertsは、時間スケールにわたる大気力学の共有パターンと特定の特性の両方をキャプチャする。 第2に、現在の気象状況に応じて最適な時間間隔を選択する強化学習に基づく適応的なロールアウトスケジューラを開発する。
• 参考スコア（独自算出の注目度）: 15.342825336354876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weather forecasting is a fundamental task in spatiotemporal data analysis, with broad applications across a wide range of domains. Existing data-driven forecasting methods typically model atmospheric dynamics over a fixed short time interval (e.g., 6 hours) and rely on naive autoregression-based rollout for long-term forecasting (e.g., 138 hours). However, this paradigm suffers from two key limitations: (1) it often inadequately models the spatial and multi-scale temporal dependencies inherent in global weather systems, and (2) the rollout strategy struggles to balance error accumulation with the capture of fine-grained atmospheric variations. In this study, we propose ARROW, an Adaptive-Rollout Multi-scale temporal Routing method for Global Weather Forecasting. To contend with the first limitation, we construct a multi-interval forecasting model that forecasts weather across different time intervals. Within the model, the Shared-Private Mixture-of-Experts captures both shared patterns and specific characteristics of atmospheric dynamics across different time scales, while Ring Positional Encoding accurately encodes the circular latitude structure of the Earth when representing spatial information. For the second limitation, we develop an adaptive rollout scheduler based on reinforcement learning, which selects the most suitable time interval to forecast according to the current weather state. Experimental results demonstrate that ARROW achieves state-of-the-art performance in global weather forecasting, establishing a promising paradigm in this field.
• Abstract（参考訳）: 気象予報は時空間データ解析の基本的な課題であり、幅広い領域にまたがる幅広い応用がある。 既存のデータ駆動予測手法は、通常、一定の短い時間間隔(例:6時間)で大気力学をモデル化し、長期予測(例:138時間)には単純自己回帰に基づくロールアウトに依存している。 しかし,このパラダイムは,(1)地球規模の気象システムに固有の空間的および多スケールの時間的依存関係を不適切にモデル化すること,(2)大気の微粒化に伴う誤差蓄積のバランスに苦慮する,という2つの重要な制約に悩まされている。 本研究では,グローバル気象予報のための適応ロールアウト多スケール時間ルーティング手法であるARROWを提案する。 最初の制限に対抗して、異なる時間間隔で天気を予報するマルチインターバル予測モデルを構築した。 モデル内では、Shared-Private Mixture-of-Expertsは、異なる時間スケールにわたる大気力学の共有パターンと特定の特性の両方をキャプチャし、Ring Positional Encodingは空間情報を表す際に地球の円形の緯度構造を正確にエンコードする。 第2の制限のために、現在の気象状況に応じて最も適切な時間間隔を選択する強化学習に基づく適応的なロールアウトスケジューラを開発する。 実験により,ARROWは世界の気象予報において最先端の性能を達成し,この分野で有望なパラダイムを確立した。

関連論文リスト

• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• FATE: Focal-modulated Attention Encoder for Multivariate Time-series Forecasting [0.0]
  気候は、海面の上昇、氷河の融解、ますます極端な気候パターンなど、21世紀の最も急進的な世界的な課題の1つである。 正確な予測はこれらの現象を監視し、緩和戦略を支援するために重要である。 CNN、RNN、アテンションベースのトランスフォーマーなど、最近の時系列予測のためのデータ駆動モデルでは、依存関係と限定並列化に苦戦している。 本研究は,時系列予測のための修正注意文(FATE)を提示する。
  論文  参考訳（メタデータ） (2024-08-21T04:40:18Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast [0.609170287691728]
  本稿では,k-Nearest Neighbor方式で近隣地区を構築するために,動的時間ワープの類似度を利用した一般的なフレームワークを提案する。 平均化を行ういくつかの方法が提案され、理論的議論は平均化が予測に有用であることを示す。
  論文  参考訳（メタデータ） (2023-06-12T13:52:30Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。