グローバルな定常気象予報のスケーラブルかつ構造化されたシステムに向けて
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19648v1 発表種別：新規
概要：全球測候所気象予報（GSWF）は、エネルギー、航空、農業にとって極めて重要な気象学研究分野である。既存の時系列予測手法は、大規模な全球測候所予報を行う際に、空間相関を無視するか、一方向的にモデル化することが多い。これは全球気象システムの観測に内在する本質に反し、予測性能を制限する。これに対処するため、本論文では新規の空間構造化注意ブロックを提案する。これは空間グラフを複数の部分グラフに分割し、部分グラフ内注意を用いて各部分グラフ内の局所空間相関を学習し、部分グラフ間注意を介して部分グラフを部分グラフ表現に集約することで、空間的近接性とグローバルな相関の両方を考慮した部分グラフ間のメッセージパッシングを行う。このブロックに基づき、部分グラフのスケールを段階的に拡大することで、マルチスケール時空間予測モデルを開発する。得られたモデルはスケーラブルであり、構造化された空間相関を生成することができ、同時に実装も容易である。実験結果は、低ランニングコストで時系列予測ベースラインと比較して最大16.8%の性能向上を達成できることを示している。
原文（英語）を表示
Title (EN): Toward Scalable and Structured Global Station Weather Forecasting
arXiv:2509.19648v1 Announce Type: new
Abstract: Global Station Weather Forecasting (GSWF) is a key meteorological research area, critical to energy, aviation, and agriculture. Existing time series forecasting methods often ignore or unidirectionally model spatial correlation when conducting large-scale global station forecasting. This contradicts the intrinsic nature underlying observations of the global weather system, limiting forecast performance. To address this, we propose a novel Spatial Structured Attention Block in this paper. It partitions the spatial graph into a set of subgraphs and instantiates Intra-subgraph Attention to learn local spatial correlation within each subgraph, and aggregates nodes into subgraph representations for message passing among the subgraphs via Inter-subgraph Attention — considering both spatial proximity and global correlation. Building on this block, we develop a multiscale spatiotemporal forecasting model by progressively expanding subgraph scales. The resulting model is both scalable and able to produce structured spatial correlation, and meanwhile, it is easy to implement. The experimental results show that it can achieve performance improvements up to 16.8% over time series forecasting baselines at low running costs.
Published: 2025-09-24 19:00 UTC