BlockGPT：通过帧级自回归实现降雨的时空建模
机器学习
2025-10-23 v2 人工智能
摘要
降水图预测是一项高度复杂的时空建模任务，对于减轻极端天气事件的影响至关重要。短期降水预报（即临近预报）需要模型不仅准确而且计算高效以实现实时应用。当前方法，如基于token的自回归模型，往往存在有缺陷的归纳偏置和推理缓慢的问题，而扩散模型可能计算密集。为解决这些限制，我们引入了BlockGPT，这是一种使用批处理分词（Block）方法的生成式自回归Transformer，在每个时间步预测完整的二维场（帧）。BlockGPT被构想为视频预测的模型无关范式，它通过每帧内的自注意力和跨帧的因果注意力来分解时空；在本工作中，我们将其实例化用于降水临近预报。我们在两个降水数据集上评估BlockGPT，即KNMI（荷兰）和SEVIR（美国），将其与最先进基线进行比较，包括基于token的方法（NowcastingGPT）和基于扩散的方法（DiffCast+Phydnet）。结果表明，BlockGPT在准确性和事件定位（通过分类指标衡量）方面取得了更优的性能，推理速度比可比基线快高达31倍。
引用
@article{arxiv.2510.06293,
title = {BlockGPT: Spatio-Temporal Modelling of Rainfall via Frame-Level Autoregression},
author = {Cristian Meo and Varun Sarathchandran and Avijit Majhi and Shao Hung and Carlo Saccardi and Ruben Imhoff and Roberto Deidda and Remko Uijlenhoet and Justin Dauwels},
journal= {arXiv preprint arXiv:2510.06293},
year = {2025}
}