超越均方误差：基于多分位回归的降水预报准确性提升
机器学习
2026-05-29 v1 人工智能
摘要
深度学习降水预报模型通常使用点预测损失函数，如均方误差或均绝对误差进行优化，这会导致预测结果过于平滑，难以准确表征大雨天气。本研究探讨了通过将训练任务重新表述为多分位回归问题，是否可以提高已建立确定性预报架构的预测性能。我们以 SmaAt-UNet 为核心模型，比较了 MSE、MAE 和多分位 pinball 损失训练在荷兰雷达降水预报中的效果。结果表明，多分位训练能够改善中心确定性预报，相较于使用 MSE 训练的模型，测试集 MSE 降低 8.6%，同时还能生成有用的上分位输出，用于风险敏感的大雨降水预测。这些发现表明，分位回归是一种无需新型架构或生成式采样程序的标准点预测损失函数的简单替代方案。我们的方法和训练 setup 已在 GitHub 上公开。
引用
@article{arxiv.2605.30122,
title = {Beyond MSE: Improving Precipitation Nowcasting with Multi-Quantile Regression},
author = {Gijs van Nieuwkoop and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2605.30122},
year = {2026}
}
备注
7 pages, 5 figs