ARROW：一种用于全球天气预报的自适应滚动与路由方法
机器学习
2026-04-01 v2 人工智能
摘要
天气预报是时空数据分析中的一项基础任务，在众多领域具有广泛的应用。现有数据驱动的预报方法通常在固定的短时间间隔（例如 6 小时）上建模大气动力学，并依赖朴素的基于自回归的滚动方式进行长期预报（例如 5 天）。然而，这一范式存在两个关键局限：(1) 难以充分建模全球天气系统中固有的空间与多尺度时间依赖关系；(2) 滚动策略难以在误差累积与捕捉精细大气变化之间取得平衡。本研究提出 ARROW，一种用于全球天气预报的自适应滚动多尺度时间路由方法。针对第一个局限，我们构建了一个多间隔预报模型，可在不同时间间隔上进行天气预报。在该模型内部，共享-私有专家混合（Shared-Private Mixture-of-Experts）模块捕捉不同时间尺度上大气动力学的共享模式与独有特征，而环形位置编码（Ring Positional Encoding）在表示空间信息时能够精确编码地球纬度的环形结构。针对第二个局限，我们开发了一种基于强化学习的自适应滚动调度器，可根据当前天气状态选择最合适的时间间隔进行预报。实验结果表明，ARROW 在全球天气预报中取得了 state-of-the-art 的性能，为该领域建立了一种有前景的范式。
引用
@article{arxiv.2510.09734,
title = {ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting},
author = {Jindong Tian and Yifei Ding and Ronghui Xu and Hao Miao and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2510.09734},
year = {2026}
}
备注
25 pages, 16 figures, ICLR 2026 Camera Ready