物理信息神经时间序列模型在 WeatherBench 2 米温度数据长期推理中的应用-计算机科学-机器学习-物理信息神经网络-气候预测.pdfVIP

物理信息神经时间序列模型在WeatherBench2米温度数据长期

推理中的应用

KeonvinPark(kbpark16@snu.ac.kr),JisuKim(jkim82133@snu.ac.kr),

JaeminSeo(jseo@cau.ac.kr)

本

译首尔国立大学人工智能跨学科项目，首尔，大韩民国

首尔国立大学统计学系，首尔，大韩民国

中中央大学物理学系，首尔，大韩民国

2

v

8

1通讯作者：

0

4金智秀

0韩国首尔国立大学统计系，首尔，大韩民国

.

2电话：+822-880-6551

0邮箱：jkim82133@snu.ac.kr

5

2SeoJaemin

:韩国首尔忠南大学物理系

v

i电话：+822-820-5169

x

r邮箱：jseo@cau.ac.kr

a

PINT：基于物理信息的神经时间序列模型在

WeatherBench2米温度数据长期推断中的应用

aa,b,c,

KeonvinPark,JisuKim,JaeminSeo

aInterdisciplinaryPrograminArtificialIntelligence,SeoulNationalUniversity,Seoul,Republicof

Korea

bDepartmentofStatistics,SeoulNationalUniversity,Seoul,RepublicofKorea

cDepartmentofPhysics,Chung-AngUniversity,Seoul,RepublicofKorea

Abstract

本文介绍了PINT（物理信息神经时间序列模型），一个旨在将物理约束整

合到神经时间序列模型中的新框架，从而增强其捕捉真实世界数据集中复

杂动态的能力。为了展示其实用性，我们将打印应用于广泛用于气候预测基

准的ERA5WeatherBench数据集，重点是对2米温度数据进行长期预测。

输入量利用了简谐振子方程作为基于物理的先验知识，将其周期性动

态融入了三种流行的神经网络架构：RNN、LSTM和GRU。选择简谐振子

方程的原因在于其众所周知的解析解（正弦和余弦函数），这些不仅代表了

周期性动态，而且还能够严格评估通过嵌入基于物理约束所实现的性能提

升。通过对从该方程精确解导出的线性回归基线进行基准测试，我们量化了

将物理原理嵌入数据驱动模型所带来的附加值。

与传统的依赖未来观测进行推理或训练的时间序列方法不同，输入是

为实际预测场景设计的。仅使用前90天的观测数据，该框架迭代预测接下

来两年的情况，解决了有限或缺失实时更新带来的挑战。

广泛的实验展示了打印在WeatherBench数据集上对未见数据的泛化

能力，准确捕捉周期性趋势，并与基础物理原理保持一致的能力。本研究强

调了基于物理信息的神经时间序列模型在弥合数据驱动机器学习与气候应

用所需可解释性之间差距方面的潜力。我们的模型实现及本研究中使用的

所有数据集均可在GitHub上公开获取：/KV-Park

Keywords:物理信息神经网络，气候预测，简谐振子，解析解，ERA5，

Co-cor