論文の概要: STCFormer: Adaptive Spatio-Temporal Modeling with Dynamic Cluster Transformer for Station-based Weather Forecasting

• arxiv url: http://arxiv.org/abs/2610.00377v1
• Date: Wed, 30 Sep 2026 08:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.626986
• Title: STCFormer: Adaptive Spatio-Temporal Modeling with Dynamic Cluster Transformer for Station-based Weather Forecasting
• Title（参考訳）: STCFormer: 局型気象予報のための動的クラスタ変換器を用いた適応時空間モデル
• Abstract要約: 駅の天気予報は日常生活と経済活動をサポートするが、正確な予報には駅間の複雑な空間依存をモデル化する必要がある。 最近のクラスタリングに基づく選択的モデリングは、高密度なステーション間相互作用に代わる有望な代替手段を提供する。 STCFormerは,各時間パッチ内の局の局所的変化に応じて局をグループ化する適応時間変換器である。
• 参考スコア（独自算出の注目度）: 32.619693936778276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Station-based weather forecasting supports daily life and economic activity, yet accurate forecasts require modeling complex spatial dependencies among stations. Recent clustering-based selective modeling offers a promising alternative to dense inter-station interactions. However, a grouping shared across an observation window may obscure local changes in station relationships, while intra-cluster interactions alone may miss important global context. The theoretical advantages of selective interactions over dense connectivity also remain insufficiently understood. We therefore propose STCFormer, an adaptive spatio-temporal Transformer that dynamically groups stations according to their local evolution within each temporal patch. Its Cluster-Guided Attention Block combines fine-grained local attention within clusters and global attention over regional state summaries, allowing each station to access information beyond its own cluster. We further show that a derived Lipschitz upper bound for cluster-conditioned local attention is no larger than its fully connected counterpart, explaining a potential robustness benefit and motivating the design of InfoLoss. Experiments on three real-world weather datasets spanning eight temperature and wind forecasting tasks show that STCFormer achieves the lowest 24-hour mean squared error on all eight tasks and ranks first or second in 47 of 48 comparisons across metrics and forecasting horizons. Ablations and case studies further confirm the benefits of locally adaptive grouping and complementary local-global interactions. Our code can be obtained at https://github.com/hnu-vis/STCFormer.
• Abstract（参考訳）: 駅の天気予報は日常生活と経済活動をサポートするが、正確な予報には駅間の複雑な空間依存をモデル化する必要がある。 最近のクラスタリングに基づく選択的モデリングは、高密度なステーション間相互作用に代わる有望な代替手段を提供する。 しかし、観測窓間で共有されるグループ化は、局関係の局所的な変化を曖昧にし、クラスタ内相互作用だけは重要なグローバルコンテキストを見逃す可能性がある。 密接な接続に対する選択的相互作用の理論上の利点も十分に理解されていない。 そこで我々は,各時間パッチ内の局所的変化に応じて動的に局をグループ化する適応時空間変換器 STCFormer を提案する。 クラスタ誘導アテンションブロックは、クラスタ内のきめ細かい局所的な注意と、各ステーションが独自のクラスタを超えて情報にアクセスできるようにする地域的サマリーに対するグローバルな注意を組み合わせている。 さらに、クラスタ条件の局所的注意のための導出したリプシッツ上界は、完全に連結されたものよりも大きくないことを示し、潜在的ロバスト性利点を説明し、InfoLossの設計を動機付けている。 8つの温度および風速予測タスクにまたがる3つの実世界の気象データセットの実験により、STCFormerは8つのタスクで最低24時間の平均2乗誤差を達成し、メトリクスと予測地平線をまたいだ48つの比較のうち47位または2位にランク付けしている。 アブレーションとケーススタディは、局所適応的なグルーピングと相補的な局所-グローバル相互作用の利点をさらに確認する。 私たちのコードはhttps://github.com/hnu-vis/STCFormerで取得できます。

関連論文リスト

• M$^2$Weather: A Benchmark for Joint Multi-Station and Multi-Variable Weather Forecasting [35.9487876877043]
  我々はM2$Weatherという共同マルチステーションと多変量気象予報のためのベンチマークを紹介した。 我々は、フランス、ヨーロッパ、グローバルの3つの空間スケールで、5つの物理的に結合した気象変数を持つ2,809の高品質なステーションを収集した。 また、異なるステーション変数モデリングパラダイムの公平な比較を可能にするため、統一的なトレーニングおよび評価プロトコルも導入する。
  論文  参考訳（メタデータ） (2026-09-30T06:53:41Z)
• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• STAGformer: A Spatio-temporal Agent Graph Transformer for Micro Mobility Demand Forecasting [0.0]
  本稿では,線形計算複雑性を伴う効率的なグローバルモデリングを実現するS時間エージェント変換器STAGformerを提案する。 モデルは2段階のエージェントアテンション機構を導入し、学習可能な空間的および時間的エージェントトークンの小さなセットがグローバル情報を集約し、それを個々のステーションやタイムステップにブロードキャストする。 2つの実世界のデータセットの実験により、STAGformerは複数の予測地平線を越えて常に最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-07-07T08:15:20Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data [0.15763762230817438]
  本稿では,2次元グラフ注意変換器(B-TGAT)を統合した時間分散ハイブリッドU-Netオートコーダを提案する。 エンコーダとデコーダは、共同時空間特徴を抽出するConvLSTM2Dモジュールを備えている。 実験は、最先端のベースラインと比較して、クラスター分離性、時間的安定性、既知の気候遷移との整合性が優れていることを示した。
  論文  参考訳（メタデータ） (2025-09-16T16:08:21Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• 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)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)

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。