MP-MoE：基于矩阵轮廓引导的混合专家用于降雨预测
人工智能
2026-03-27 v1 机器学习
摘要
降雨预测在越南等热带地区仍是一项持久的挑战，复杂的地形和对流不稳定性常常限制数值天气预报 (NWP) 模型的准确性。虽然数据驱动后处理广泛用于缓解这些偏差，但大多数现有框架依赖点级目标函数，在轻微的时间错位下会产生 ``双惩罚'' 效应。本文提出矩阵轮廓引导的混合专家 (MP-MoE)，将常规强度损失与结构感知的矩阵轮廓目标相结合。通过利用子序列级相似性而非点级误差，所提损失函数促进更可靠的专家选择，并减轻因相位偏移引起的过度惩罚。我们在越南两个主要河流盆地的数据集上进行评估，涵盖多个预报时程，包括 1 小时强度和 12、24、48 小时的累积降雨。实验结果表明，MP-MoE 在重大降雨事件的平均关键成功指数 (CSI-M) 上优于原始 NWP 和基线学习方法，同时显著降低动态时间变形 (DTW) 值。这些发现凸显了该框架在捕捉降雨峰值强度和保持暴雨事件形态完整性方面的有效性。
引用
@article{arxiv.2603.25046,
title = {MP-MoE: Matrix Profile-Guided Mixture of Experts for Precipitation Forecasting},
author = {Huyen Ngoc Tran and Dung Trung Tran and Hong Nguyen and Xuan Vu Phan and Nam-Phong Nguyen},
journal= {arXiv preprint arXiv:2603.25046},
year = {2026}
}