面向未观测地区的基于扩散对比图神经网络的风力预测模型及其虚拟节点方法
机器学习
2026-04-14 v1 人工智能
摘要
准确的天气预测仍是大气科学中的核心挑战，对气候韧性、能源安全和灾害准备具有关键意义。由于难以在各处部署观测站，一些地区缺乏密集的观测网络，导致这些未观测地区的短期风力预测不可靠。本文提出了一种深度图自监督框架，将预测能力扩展到无需新增传感器的未观测地区。我们方法引入"虚拟节点"到基于扩散对比的图神经网络中，使模型能够学习无直接测量 locations 处的风力条件(即风速、风向和阵风)。利用荷兰高时序分辨率气象站数据，我们展示，该方法将未观测地区风速、阵风和风向的预测平均绝对误差(MAE)降低了30%-46%。通过在无测量点处实现局部预测，此方法为可再生能源整合、农业规划和数据稀疏地区的预警系统开辟了新路径。
引用
@article{arxiv.2604.10328,
title = {A Diffusion-Contrastive Graph Neural Network with Virtual Nodes for Wind Nowcasting in Unobserved Regions},
author = {Jie Shi and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2604.10328},
year = {2026}
}
备注
25 pages, 7 figures