Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Краткосрочный прогноз осадков научились строить одной диффузионной моделью без отдельного сжатия данных и детерминированного черновика. JWS обучается в 44 раза вычислительно эффективнее FREUD при сопоставимом качестве вероятностного прогноза, хотя работа не рецензирована и числа получили сами авторы. Минимальная версия модели сохраняет конкурентное качество и выдаёт результат более чем в 17 раз быстрее сопоставленных подходов.
JWS принимает последовательность радарных кадров и сразу генерирует следующие кадры в исходном пространстве данных. Обычные многоступенчатые системы сначала сжимают радарные карты или строят однозначный прогноз, а затем добавляют возможные варианты. Сжатие экономит вычисления, но может смещать интенсивность или положение осадков — для прогноза такая ошибка важнее, чем визуальный дефект в сгенерированном изображении.
При обучении модель сохраняет наблюдаемые кадры без шума, а будущие кадры искажает с разной силой. Уровень искажения зависит в том числе от пространственного и временного разрешения. Отдельная целевая функция учит несколько вариантов прогноза одновременно: они должны соответствовать наблюдениям, но не совпадать друг с другом. Поэтому модель описывает неопределённость и может восстанавливать прогноз за небольшое число шагов вместо длинной последовательности очистки от шума.
Метод проверяли на открытых наборах радарных наблюдений SEVIR и MeteoNet и сопоставляли с FREUD, FlowCast, CasCast и FGN. Оценивали точность вероятностного прогноза, калибровку неопределённости и сохранение структуры осадков. Более крупные версии JWS давали лучший результат, но при нехватке разнообразных обучающих данных начинали переобучаться; предварительное обучение на уменьшенных картах ослабляло этот эффект.
Для прикладной системы главное изменение — не только скорость. Одна модель заменяет конвейер из нескольких обучаемых компонентов, а вычислительный бюджет можно направить на выпуск нескольких вариантов прогноза и оценку риска, а не на компенсацию ошибок сжатия.
Источники
Иллюстрация: рисунок из статьи «Just Weather Scoring: Efficient End-to-end Nowcasting with Distributional Diffusion», Jannik Wiese, Johannes Schusterbauer, Tommaso Martorella и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
