模型实践 | AAAI 2022 气象预测之时空图神经网络

实验｜Vachel       算力支持｜幻方AIHPC

气象预测直接关乎人类社会的生产生活，一直以来是人类重点研究的科学领域之一。传统的天气预报采用非常复杂的数值气象模型，近年来越来越多的机器学习，深度学习方法被应用到这一领域，他们将气象预测抽象成一个时空预测问题，尝试通过多维时间序列、图神经网络（GNN）等方法来解决。

AAAI 2022前不久公布了今年的 Accept Paper List，其中来自西湖大学的几位研究者联合发表了一项科研成果。他们针对近年来交通流预测任务下的图神经网络模型，认为其架构不能直接照搬进气象预测领域并进行了证明。提出了一系列改进方法，最终模型取得了SOTA的效果。

本期模型试跑将为大家体验该项研究成果，来看看最近火热的GNN是否可以有效提升气象预测的精度，缩短预测时间。

High-flyer AIHPC 萤火二号使用申请

论文标题：Conditional Local Convolution for Spatio-temporal Meteorological Forecasting

论文地址：https://arxiv.org/abs/2101.01000

论文源码：https://github.com/BIRD-TAO/CLCRN

01 模型介绍

在交通流预测领域中，“GNN+RNN”的方法近年来获得了许多成功，其静态切片空间的图结构抽象，到动态时间上的embedding累积，有效解决了时空预测场景下的图动态问题。与交通流预测类似，气象预测也可以抽象为一个时空预测问题。然而，只是简单的套用交通流预测的方法，往往不能取得很好的效果。

气象预测领域的特殊性有：

1. 数据的不规则性：分布世界各地、太空卫星的各种气象传感器所捕捉的气象数据往往是不规则的，使得经典的CNN无法适用。

2. 非平面的数据信号：气象数据通常是立体的球形信号，而非平面信号；陆地和海洋的温度传感器各有不同，