論文の概要: Timestep-Conditioned Transformers for Global Weather Forecasting
- arxiv url: http://arxiv.org/abs/2608.06241v1
- Date: Thu, 06 Aug 2026 16:27:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.791807
- Title: Timestep-Conditioned Transformers for Global Weather Forecasting
- Title（参考訳）: 地球気象予報のための時相整合型変圧器
- Abstract要約: 我々は,多段階の明示的推論によるトレードオフに対処する確率的グローバル気象モデルGEM-3を提案する。
トレーニングされた1組のウェイトで、予測可能性とユーザビリティのバランスをとるために、モデルタイムステップを推論時に設定することができる。
混合時間ステップトレーニングは、タイムステップ・スペシャリストモデルと比較してロールアウト安定性を継続的に改善する。
- 参考スコア（独自算出の注目度）: 1.7632505349721652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing machine-learning weather forecasting models rely on predetermined and fixed autoregressive timesteps. The choice of model timestep involves a fundamental trade-off: shorter timesteps (e.g. 1 to 6 hours) finely resolve atmospheric dynamics within the diurnal cycle but increase error accumulation for a given forecast horizon, while longer timesteps (e.g. 24 hours) reduce error accumulation but limit the usability of short-range forecasts where sub-daily predictability is high. In this work, we present GEM-3, a probabilistic global weather model that addresses this trade-off through explicit multi-timestep inference. With a single set of trained weights, the model timestep can be configured at inference time to balance predictability and usability across a broad forecast horizon. Additionally, we find that mixed-timestep training consistently improves rollout stability relative to timestep-specialist models. Under the hood, GEM-3 is a lightweight neighborhood-attention transformer with ~134M parameters on an equirectangular grid with a number of architectural advancements beyond its predecessor GEM-2. The result is a practical forecasting system that couples near-SOTA medium-range probabilistic skill, stable extended-range rollouts, efficient training and inference, and decision-relevant diagnostics.
- Abstract（参考訳）: 既存の機械学習の天気予報モデルは、所定の時間と固定された自己回帰時間に依存している。
モデルタイムステップの選択には、基本的なトレードオフがある: 短い時間ステップ(例: 1 から 6 時間)は日周期内の大気力学を微妙に解決するが、所定の予測水平線の誤差蓄積を増加させる一方、長い時間ステップ(例: 24 時間)はエラーの蓄積を減少させるが、サブ日毎の予測可能性が高いショートレンジ予測のユーザビリティを制限する。
本稿では,このトレードオフに対応する確率的グローバル気象モデルであるGEM-3を提案する。
トレーニングされた1組のウェイトで、予測可能性とユーザビリティのバランスをとるために、モデルタイムステップを推論時に設定することができる。
さらに、混合時間ステップトレーニングは、タイムステップ・スペシャリストモデルに対するロールアウト安定性を一貫して改善することがわかった。
内部では、GEM-3は、前身のGEM-2を超える多くのアーキテクチャ上の進歩を持つ正方形格子上に約134Mのパラメータを持つ軽量な近傍係留変圧器である。
その結果,SOTAに近い中距離確率的スキル,安定した拡張範囲のロールアウト,効率的なトレーニングと推論,意思決定関連診断を両立する実用的な予測システムが得られた。
関連論文リスト
- Stochastically Perturbed Weights: Ensembles from Deterministic Machine-Learning Weather Models [0.0]
多くの機械学習気象モデル(MLWM)は決定論的であり、その不確実性を見積もることなく単一の予測を生成する。
訓練された確率的なモデルの家族は、専用トレーニングランの価格で、キャリブレーションされたアンサンブルを直接生成します。
我々は、すでに存在する決定論的チェックポイントから、どの程度の不確実性を取り出すことができるのかを、再訓練することなく尋ねる。
論文 参考訳（メタデータ） (2026-09-08T08:18:40Z) - A Hybrid LSTM--Vision Transformer Architecture for Predicting HRRR Forecast Errors [0.0]
我々は、表面観測から時間的シーケンス学習とニューヨーク州立大学メソネット・プロファイラネットワークからの大気プロファイルを組み合わせたLSTM-Vision Transformer (LSTM-ViT) フレームワークを開発した。
本研究は,モデルバイアスと予測信頼度に関する予測指標を改良した。
論文 参考訳（メタデータ） (2026-06-17T12:51:46Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill [12.768001894587576]
我々は、MJO(PCC-MJO)のための新しいディープラーニングフレームワーク、物理誘導カスケードコレクターを導入する。
PCC-MJOは、動的モデルからMJO予測を補正するための普遍的なポストプロセッサとして機能する。
我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。
論文 参考訳（メタデータ） (2025-10-20T14:41:48Z) - Skillful joint probabilistic weather forecasting from marginals [11.348323146521931]
本稿では,FGNを提案する。FGNはシンプルでスケーラブルでフレキシブルなモデリング手法で,現在の最先端モデルよりも優れている。
位置ごとの予測の連続ランク確率スコア(CRPS)を最小化するために、直接訓練される。
決定論的および確率論的指標によって測定される、最先端のアンサンブル予測を生成する。
論文 参考訳（メタデータ） (2025-06-12T14:50:47Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。
GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。
評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
論文 参考訳（メタデータ） (2023-12-25T19:30:06Z) - 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) - W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting [7.610811907813171]
天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
論文 参考訳（メタデータ） (2023-04-18T06:25:11Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。