使用 Chronos 模型提高显著波浪高度预测精度
机器学习
2025-09-03 v2 人工智能
大气与海洋物理
摘要
准确的波浪高度预测对于海洋安全和海岸韧性至关重要，但传统的基于物理的模型和传统机器学习方法在计算效率和非线性动力学建模方面面临挑战。本研究引入了 Chronos，这是首个实现的大语言模型 (LLM) 驱动的时序架构 (Chronos)，针对波浪预测进行了优化。通过应用于 Northwest Pacific 海盆中三个战略选择的海域历史波浪数据，我们的框架实现了多模态的改进：(1) 训练时间减少 14.3%，推理速度比 PatchTST 基线快 2.5 倍，达到 0.575 的平均绝对缩放误差 (MASE) 单位；(2) 在全面指标上实现卓越的短期预测 (1-24 小时)；(3) 在扩展范围的预测 (1-120 小时) 中保持领先地位；(4) 在 demonstrated zero-shot 能力下，保持中位数性能 (排名 4/12) 对于专门的运营模型。这种 LLM 增强的时序建模范式为波浪预测树立了新标准，提供了计算效率高且可迁移的复杂地理系统建模框架。
引用
@article{arxiv.2504.16834,
title = {Improving Significant Wave Height Prediction Using Chronos Models},
author = {Yilin Zhai and Hongyuan Shi and Chao Zhan and Qing Wang and Zaijin You and Nan Wang},
journal= {arXiv preprint arXiv:2504.16834},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2403.07815 by other authors