[論文レビュー] TRAKNN: Efficient Trajectory Aware Spatiotemporal kNN for Rare Meteorological Trajectory Detection

Guillaume Coulaud, Davide Faranda|arXiv (Cornell University)|Mar 2, 2026

Meteorological Phenomena and Simulations被引用数 0

ひとこと要約

TRAKNN は監視なしの厳密な kNN ベースの枠組みで、格子状気候データの幾何学的に希少な短期的時空軌跡を検出し、標準的なハードウェアで網羅的な多十年スケールの分析を可能にする。

ABSTRACT

Extreme weather events, such as windstorms and heatwaves, are driven by persistent atmospheric circulation patterns that evolve over several consecutive days. While traditional circulation-based studies often focus on instantaneous atmospheric states, capturing the temporal evolution, or trajectory, of these spatial fields is essential for characterizing rare and potentially impactful atmospheric behavior. However, performing an exhaustive similarity search on multi-decadal, continental-scale gridded datasets presents significant computational and memory challenges. In this paper, we propose TRAKNN (TRajectory Aware KNN), a fully unsupervised and data-agnostic framework for detecting geometrically rare short trajectories in spatio-temporal data with an exact kNN approach. TRAKNN leverages a recurrence-based algorithm that decouples computational complexity from trajectory length and efficient batch operations, maximizing computational intensity. These optimizations enable exhaustive analysis on standard workstations, either on CPU or on GPU. We evaluate our approach on 75 years of daily European sea-level pressure data. Our results illustrate that rare trajectories identified by TRAKNN correspond to physically coherent atmospheric anomalies and align with independent extreme-event databases.

研究の動機と目的

• 幾何学的に希少な大気軌跡の検出を、瞬時状態よりも動的な軌跡として動機付ける。
• 物理的閾値やラベルに依存しない、完全に監視なしでデータに依存しない枠組みを提供する。
• 軌跡の長さに依存しないコストで大陸規模データを扱える厳密な再帰ベースのアルゴリズムを開発する。
• 標準的なハードウェア（CPU および CPU+GPU）で多十年規模の格子データに対して網羅的分析を可能にする。

提案手法

• 希少軌跡を、軌跡空間上の最近傍でない隣接軌跡との平均距離が高いものとして定式化する（ユークリッド距離を用いる）。
• 各ステップでの距離を O(1) で更新する再帰ベースの更新式を導出し、長さに依存しないコストを実現する。
• バッチ単位の GeMM による事前計算で空間的なペアワイズ距離行列 S を作成し、ハードウェア効率を最大化する。
• 対称性の最適化を用いて全軌跡間の距離計算を実行する。
• 各軌跡についてトップ k 最近傍を取得し、希少度スコア s_t をその kNN への平均距離として推定する。
• CPU および GPU 実装を、バッチ処理戦略とメモリ使用量の議論とともに提供する。

実験結果

リサーチクエスチョン

• RQ1 幾何学的に希少な短い時空軌跡は一貫した大気異常と対応するのか。
• RQ2 この気候文脈における高次元軌跡データに対してユークリッド距離は意味を持つのか。
• RQ3 標準ハードウェアで、多十年規模の大陸規模データに対して TRKANN は希少軌跡を網羅的に検出できるのか。
• RQ4 検出された希少軌跡は独立した極端イベントデータベースと整合するのか。

主な発見

• TRAKNN によって識別された希少軌跡は物理的に一貫した大気異常に対応している。
• 軌跡空間の内在的次元は周囲の次元よりはるかに低く、より長い軌跡で飽和する。
• PCA に基づく次元削減は、q=100 成分でスピアマンの相関が 0.99 の高い順位でトップの希少軌跡を保持する。
• ヨーロッパの平均海面気圧データ 75 年で、TRAKNN は d が最大 5 日まで拡張してもメモリは控えめ（6 GB）、FAISS はより多くのメモリを使用し、長い d では困難になる。
• より長い軌跡期間は気象風 storm の検出を改善する一方で、一部の極端イベントデータベースではデータセットごとに感度が異なる。
• トップ100 の希少軌跡は合成分析において大規模循環パターンの一貫性を示す。