利用地理空间和时间信息GNN-Transformer在MJO预测中的应用

摘要

针对目前深度学习在极端天气现象Madden-Julian振荡(MJO)预测任务中表现欠佳的问题，提出一种基于动态图神经网络与Transformer结合的时序预测模型.首先，将地球海陆二维网格映射到图结构的节点上，并提出利用多重注意力混合海陆掩码的方法进行节点筛选；其次，使用基于热传导与节点相似度度量进行边权重的迭代更新，以获取每个时间步中最准确的气候模式信息；再次，使用最大极值法抽取不同时间段的异常节点信息作为极端气候的发生点，并对这类点的变权重进行强化；最后，将上述结果输入到图神经网络进行编码，并使用Transformer进行解码操作获取预测结果.实验结果表明，该模型在预测中最高可获得39 d的双变量相关系数(COR)有效预测值，以及31 d的均方根误差(RMSE)有效预测值，性能优于现有模型.

关键词

时空预测 / 图神经网络 / 天气预测 / 时间序列预测