論文の概要: TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling

• arxiv url: http://arxiv.org/abs/2607.13101v1
• Date: Tue, 14 Jul 2026 07:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.53224
• Title: TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling
• Title（参考訳）: TSSM:時変ヒストリカルモデリングによる地球ステーション気象予測のための三軸状態空間モデル
• Abstract要約: 既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
• 参考スコア（独自算出の注目度）: 74.915718648935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global Station Weather Forecasting (GSWF) is pivotal for localized and extreme weather prediction over key regions. Despite efforts to exploit look-back windows, existing methods show limited accuracy gains and struggle with extreme events and error accumulation. These limitations stem from overreliance on short-term patterns, which are insufficient to capture chaotic weather dynamics, especially under partial observations. To address this problem, we propose a novel Triaxial State Space Model (TSSM) with a history-enhanced Temporal-VariableHistorical paradigm, which incorporates period-aligned historical weather data to compensate for long-term, large-scale periodic, and full-window weather patterns beyond the temporal lookback window. Specifically, TSSM stacks historical samples into period-aligned batches, where forecasting is causally supported by historical and current observations. Temporal, variable, and historical scanning are designed to capture axial temporal dependencies, variable correlations, and historical evolution. This structure is hierarchically shared to model seasonal to extreme events while alleviating misalignment across historical patterns. TSSM achieves SOTA performance on Weather-5K, the largest station weather dataset to date, with 10% and 61% gains in accuracy and extreme event metrics, and obtains 95% best or second-best results on human-involved datasets. Its advantages are more pronounced in long-horizon and iterative forecasting, reaching a 37.5% gain at 240h and up to 103.5% under a 48h times 5 iterative setting. Moreover, TSSM retains > 90% performance under up to 80% missing observations, compared with < 43% for baselines, demonstrating robustness and practical potential for reliable GSWF in global in-situ observation networks.
• Abstract（参考訳）: グローバルステーション気象予報(GSWF)は、主要地域における局地的および極端な気象予報において重要である。 ルックバックウィンドウを活用する努力にもかかわらず、既存の手法では精度が制限され、極端なイベントとエラーの蓄積に苦労している。 これらの制限は、特に部分的な観測の下で、カオス的な気象力学を捉えるのに不十分な短期パターンへの過度な依存に起因する。 この問題に対処するために,三軸状態空間モデル (TSSM) を提案する。このパラダイムは,周期的な歴史的気象データを組み込んで,時間的見返り窓の向こう側にある長期的,大規模かつフルウィンドウの気象パターンを補うものである。 具体的には、TSSMは歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。 時間的、変数的、歴史的スキャンは、軸方向の時間的依存関係、変数の相関、歴史的進化を捉えるように設計されている。 この構造は、季節から極端な出来事をモデル化する上で階層的に共有され、歴史的パターンをまたいだミスアライメントを緩和する。 TSSMは、これまでで最大の気象観測データであるWeather-5K上でのSOTA性能を達成し、精度と極端な事象の指標で10%と61%向上し、人間関係のデータセットで95%、または2番目に高い結果を得る。 その利点は、ロングホライズンと反復予測においてより顕著であり、240hで37.5%、48hの5イテレーティブ・セッティングで最大103.5%まで上昇した。 さらに、TSSMは、ベースラインが43%未満であるのに対し、90%以上の性能を維持しており、グローバルなその場観測ネットワークにおいて、信頼性の高いGSWFのロバスト性と実用的な可能性を示している。

関連論文リスト

• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting [18.312964316878283]
  RainfallBenchは、降水量計用に設計されたベンチマークである。 このデータセットは、6つの必須変数の時間間隔で記録された5年間の気象観測から導かれる。 降水性水蒸気(PWV)は、他のデータセットにない降雨の重要な指標である。
  論文  参考訳（メタデータ） (2025-09-28T03:21:24Z)
• 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)
• 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)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)

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。