基于表格基础模型的时空相关小地球数据简单鲁棒预测
机器学习
2025-10-13 v1
摘要
小地球数据是地球科学观测数据，具有有限的短期监测变异性，提供稀疏但有意义的测量值，通常表现出时空相关性。对此类数据进行时空预测对于理解地球科学过程至关重要，尽管其规模较小。然而，用于时空预测的传统深度学习模型需要针对不同场景进行任务特定训练。基础模型无需任务特定训练，但它们往往表现出向预训练分布全局均值偏移的预测偏差。这里我们提出了一种针对时空相关小地球数据预测的简单鲁棒方法。其核心思想是表征和量化小地球数据的时空模式，然后利用表格基础模型在不同场景中进行准确预测。三个典型场景的比较结果表明，我们的预测方法在大多数实例中优于图深度学习模型（T-GCN）和表格基础模型（TabPFN），展现出更强的鲁棒性。
引用
@article{arxiv.2510.08920,
title = {Simple and Robust Forecasting of Spatiotemporally Correlated Small Earth Data with A Tabular Foundation Model},
author = {Yuting Yang and Gang Mei and Zhengjing Ma and Nengxiong Xu and Jianbing Peng},
journal= {arXiv preprint arXiv:2510.08920},
year = {2025}
}