[论文解读] 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 0

一句话总结

TRAKNN 是一种无监督、基于精确 kNN 的框架，用于在格点化气候数据中检测几何上稀少的短时空轨迹，能够在标准硬件上对多十年的数据进行穷尽分析。

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.

研究动机与目标

• 激励检测几何上稀有的大气轨迹，而非瞬时状态。
• 提供一个完全无监督、数据无关的框架，不依赖物理阈值或标签。
• 开发一个基于递推的精确算法，其成本与轨迹长度无关，适用于大陆尺度数据。
• 在标准硬件（CPU 和 CPU+GPU）上对多十年的格点数据进行穷尽分析。

提出的方法

• 将稀有轨迹表述为在轨迹空间上对其 k 个最近不重叠邻居的平均距离较高的轨迹，使用欧氏距离。
• 推导基于递推的更新，在每一步以 O(1) 的时间计算轨迹距离，使成本与轨迹长度无关。
• 通过批量 GeMM 预先计算空间成对距离矩阵 S，以最大化硬件效率。
• 利用对称性优化计算全配对空间距离，减少计算量。
• 为每条轨迹检索 top-k 最近邻，利用其与 kNN 的平均距离来估计稀有性分数 s_t。
• 提供 CPU 和 GPU 实现，采用批处理处理策略并讨论内存使用。

实验结果

研究问题

• RQ1 几何上稀有的短时空轨迹是否对应于连贯的大气异常？
• RQ2 在本气候背景下，高维轨迹数据的欧氏距离是否有意义？
• RQ3 在标准硬件条件下，TRAKNN 是否能对多十年的大陆尺度数据穷尽检测稀有轨迹？
• RQ4 检测到的稀有轨迹是否与独立的极端事件数据库一致？

主要发现

• TRAKNN 识别出的稀有轨迹确实对应于物理上连贯的大气异常。
• 轨迹空间的内在维度远低于环境维度，并且随轨迹长度的增加而饱和。
• 基于 PCA 的降维在保留最稀有轨迹方面具有高秩相关性（q=100 成分时 Spearman 相关系数为 0.99）。
• 在欧洲 75 年平均海平气压数据上，TRAKNN 能扩展到 d 达到 5 天，内存需求适中（6 GB），而 FAISS 的内存需求更高且在较长 d 时遇到困难。
• 更长的轨迹持续时间提升对气象风暴的检测效果，而某些极端事件数据库在不同数据集上显示灵敏度存在差异。
• 前 100 条稀有轨迹在组合分析后呈现出连贯的大尺度环流模式。