McCast：面向长期降水预报的时间引导式潜在漂移校正
机器学习
2026-05-14 v1 人工智能
摘要
现有的降水预报方法通常采用自回归形式，从先前的输出预测未来状态。然而，这种方法会在长时间滚动过程中积累误差，导致预测偏离物理上可行的演化轨迹。虽然已有研究尝试通过提高逐步预测精度来缓解这一问题，但它们基本上忽略了气象系统的全局时序演化，缺乏在滚动过程中主动纠正漂移的机制。为此，本文提出了McCast，这是一种面向降水预报的时间引导式潜在漂移校正方法。不同于将记忆当作无序潜在状态的字典进行被动条件化，McCast利用组织化的记忆主动校正自回归潜在演化。具体而言，McCast引入漂移校正记忆库（DCBank），显式估计时序一致的漂移校正，以校准发散轨迹。DCBank包含两个阶段：首先，纠正性潜在提取器从当前预测和参考潜在状态预测初始校正；其次，校正感知记忆检索模块利用时序组织化的历史记忆细化初始校正。通过显式校正潜在演化，而不仅仅是提高逐步预测精度，McCast产生更具时序一致性和可靠性的长期预测。在两个广泛使用的基准数据集（SEVIR和MeteoNet）上的实验表明，McCast实现了最先进的性能，尤其在具有挑战性的长期预测场景中表现尤为突出。
引用
@article{arxiv.2605.13197,
title = {McCast: Memory-Guided Latent Drift Correction for Long-Horizon Precipitation Nowcasting},
author = {Penghui Wen and Yu Luo and Lintao Wang and Mengwei He and Patrick Filippi and Thomas Francis Bishop and Zhiyong Wang},
journal= {arXiv preprint arXiv:2605.13197},
year = {2026}
}