面向天气基准数据的物理信息神经时间序列模型
机器学习
2025-07-18 v2
摘要
本文介绍了 PINT（Physics-Informed Neural Time Series Models，物理信息神经时间序列模型），这是一个将物理约束整合到神经时间序列模型中以提高其捕捉复杂动态能力的框架。我们将 PINT 应用于 ERA5 WeatherBench 数据集，专注于对 2m 温度数据进行长期预测。PINT 将简谐振子方程（Simple Harmonic Oscillator Equation）作为物理信息先验嵌入到 RNN、LSTM 和 GRU 架构中。该方程的解析解（正弦和余弦函数） facilitate 对嵌入物理信息约束效果进行严格评估。通过对比基于其精确解的线性回归基线，我们量化了在数据驱动模型中嵌入物理原理的影响。与依赖未来观测的传统时间序列模型不同，PINT 旨用于实际预测。仅使用前 90 天的观测数据，就能迭代预测接下来的两年，解决了受限实时更新带来的挑战。在 WeatherBench 数据集上的实验表明，PINT 具备良好的推广能力，能够捕捉周期性趋势，并与物理原理保持一致。本研究凸显了物理信息神经模型在桥接机器学习与可解释气候应用方面的潜力。我们的模型和数据集已公开于 GitHub：https://github.com/KV-Park。
引用
@article{arxiv.2502.04018,
title = {PINT: Physics-Informed Neural Time Series Models with Applications to Long-term Inference on WeatherBench 2m-Temperature Data},
author = {Keonvin Park and Jisu Kim and Jaemin Seo},
journal= {arXiv preprint arXiv:2502.04018},
year = {2025}
}