用于降水临近预报的深度学习：一个基准与一个新模型
计算机视觉与模式识别
2017-10-06 v2
摘要
以对区域降雨进行高分辨率预报为目标，降水临近预报已成为各种公共服务（从暴雨预警到飞行安全）背后重要且基础的技术。最近，Convolutional LSTM（ConvLSTM）模型已被证明在降水临近预报中优于传统的基于光流的方法，这表明深度学习模型在解决该问题上具有巨大潜力。然而，基于ConvLSTM的模型中的卷积递归结构是位置不变的，而自然界的运动和变换（例如旋转）通常是位置变化的。此外，由于基于深度学习的降水临近预报是一个新兴领域，尚未建立明确的评估协议。为了解决这些问题，我们提出了一个用于降水临近预报的新模型和一个基准。具体而言，我们超越了ConvLSTM，提出了Trajectory GRU（TrajGRU）模型，该模型能够主动学习递归连接的位置变化结构。此外，我们提供了一个基准，包括来自香港天文台的真实世界大规模数据集、一种新的训练损失以及一个全面的评估协议，以促进未来的研究并衡量当前的技术发展水平。
引用
@article{arxiv.1706.03458,
title = {Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model},
author = {Xingjian Shi and Zhihan Gao and Leonard Lausen and Hao Wang and Dit-Yan Yeung and Wai-kin Wong and Wang-chun Woo},
journal= {arXiv preprint arXiv:1706.03458},
year = {2017}
}
备注
NIPS 2017 Spotlight