傅里叶振幅和相关损失：超越L2损失实现精准降水短时预报
机器学习
2025-08-26 v2 人工智能
摘要
近年来，深度学习方法已被广泛采用用于降水短时预报。此前的研究主要关注提出新的模型架构以提升像素级指标。然而，它们经常导致模糊的预测，为预报业务提供的效用有限。在这项工作中，我们提出了一种新的傅里叶振幅和相关损失（FACL），它由两个新颖的损失项组成：傅里叶振幅损失（FAL）和傅里叶相关损失（FCL）。FAL对模型预测的傅里叶振幅进行正则化，FCL补充缺失的相位信息。这两个损失项协同工作，替代传统用于基于信号的数据的时空预测问题的 损失，如均方误差（MSE）和加权均方误差。我们的方法具有通用性、无参数且高效。利用一个合成数据集和三个雷达回波数据集的大量实验表明，我们的方法改善了感知指标和气象技能评分，同时在像素级精度和结构相似性方面略有折损。此外，为了改善气象技能评分（如关键成功指数CSI和分数技能评分FSS）中的误差范围，我们提出并采用了区域直方图散度（RHD），这是一种考虑基于信号的图像模式之间分块相似性的距离度量，对局部变换具有容忍度。代码可在 https://github.com/argenycw/FACL 获取。
引用
@article{arxiv.2410.23160,
title = {FlexTSF: A Flexible Forecasting Model for Time Series with Variable Regularities},
author = {Jingge Xiao and Yile Chen and Gao Cong and Wolfgang Nejdl and Simon Gottschalk},
journal= {arXiv preprint arXiv:2410.23160},
year = {2025}
}