[论文解读] Video Prediction for Precipitation Nowcasting.

Yuan Cao, Qiuying Li+3 more|arXiv (Cornell University)|Jul 18, 2019

Precipitation Measurement and Analysis参考文献 13被引用 2

一句话总结

该论文提出StarBriNet，一种基于RNN的新型星桥网络，用于降水临近预报，其采用针对不同降雨强度和时长的独立子网络、星形信息桥以增强跨层信息流动，并引入多sigmoid损失函数。与现有最先进方法相比，该模型在雷达回波数据集上实现了更优的预测精度。

ABSTRACT

Precipitation nowcasting, which aims to precisely predict the short-term rainfall intensity of a local region, is gaining increasing attention in the artificial intelligence community. Existing deep learning-based algorithms use a single network to process various rainfall intensities together, compromising the predictive accuracy. Therefore, this paper proposes a novel recurrent neural network (RNN) based star-bridge network (StarBriNet) for precipitation nowcasting. The novelty of this work lies in the following three aspects. First, the proposed network comprises multiple sub-networks to deal with different rainfall intensities and duration separately, which can significantly improve the model performance. Second, we propose a star-shaped information bridge to enhance the information flow across RNN layers. Third, we introduce a multi-sigmoid loss function to take the precipitation nowcasting criterion into account. Experimental results demonstrate superior performance for precipitation nowcasting over existing algorithms, including the state-of-the-art one, on a natural radar echo dataset.

研究动机与目标

• 为解决现有深度学习模型对所有降雨强度和时长采用统一处理方式所带来的局限性，从而降低预测精度。
• 通过设计一种模块化网络架构，分别处理不同降雨强度和时长，以提升短期降水临近预报性能。
• 通过一种新颖的星形信息桥机制，增强RNN层之间的信息流动。
• 通过多sigmoid损失函数，使损失函数与降水临近预报的具体评估标准保持一致。

提出的方法

• 该模型采用多个专用子网络，每个子网络在特定降雨强度和持续时间范围内进行训练，以提升对不同降水模式的预测精度。
• 引入星形信息桥，以促进RNN层之间的双向信息交换，增强梯度流动与特征表示。
• 网络采用多sigmoid损失函数，更好地反映预测与实际降水强度之间的非线性关系，与真实世界临近预报评估标准保持一致。
• 该架构在自然雷达回波数据集上进行端到端训练，以雷达反射率的时间序列为输入，用于短期降雨预测。
• 星桥机制以中心化星型拓扑结构连接各层隐藏状态，实现高效的信息聚合与传播。

实验结果

研究问题

• RQ1 按降雨强度和持续时间分离子网络是否能提升降水临近预报模型的准确性？
• RQ2 星形信息桥在深度RNN中的视频预测任务中如何增强信息流动？
• RQ3 与标准损失函数相比，多sigmoid损失函数在降水临近预报中能在多大程度上提升模型性能？
• RQ4 所提出的StarBriNet模型在真实雷达回波数据上与最先进方法相比表现如何？

主要发现

• 与现有基于深度学习的降水临近预报模型相比，StarBriNet在雷达回波数据集上实现了更优的预测精度。
• 采用针对强度和持续时间的专用子网络显著提升了模型性能，通过降低在多样化降水模式下学习的复杂度。
• 星形信息桥改善了梯度流动与特征表示，有助于提升在时间序列上的泛化能力。
• 多sigmoid损失函数通过更好地匹配降水强度评估的非线性特性，带来了更准确的预测结果。