韩国可见性现在预报：面对类别不平衡与分布迁移的机器学习方法
大气与海洋物理
2026-05-22 v1 人工智能
计算工程、金融与科学
机器学习
摘要
大气可见性是交通安全和空气质量管理的关键变量，但由于气象条件与空气污染物之间复杂的相互作用，以及低可见性事件的稀缺性，准确预测仍具有挑战性。本研究引入一种机器学习框架，用于预测六个韩国主要城市的可见性。为处理2018-2020训练数据中的类别不平衡问题，本文应用了带名义和连续变量的合成少数过采样技术（SMOTENC）和条件表格生成式对抗网络（CTGAN）。随后采用集成方法结合机器学习与深度学习模型，并在2021测试数据集上进行评估。结果显示，测试集的预测性能在交叉验证阶段出现显著下降。这一性能下降归因于训练期与测试期之间的数据分布迁移，经通过测量由SHAP分析确定的最具影响力特征的 Wasserstein距离量化了这一现象。总体而言，本研究提出了一种旨在同时应对数据不平衡和时间分布迁移双重挑战的方法，并强调在实施基于时间序列数据的现在预报模型时，必须考虑外部环境因素的演变的必要性。
引用
@article{arxiv.2605.21507,
title = {Visibility nowcasting in South Korea: a machine learning approach to class imbalance and distribution shift},
author = {Bong Gyun Shin and Chan Sik Lee and Hyesun Suh},
journal= {arXiv preprint arXiv:2605.21507},
year = {2026}
}
备注
Published in Theoretical and Applied Climatology