Hao Chen Han Tao Guo Song Jie Zhang Yunlong Yu Yonghan Dong Lei Bai

Abstract

Diese Arbeit präsentiert Variables Adaptive Mixture of Experts (VAMoE), einen neuartigen Rahmen für inkrementelle Wettervorhersage, der sich dynamisch an sich verändernde räumlich-zeitliche Muster in Echtzeitdaten anpasst. Traditionelle Wettervorhersagemodelle leiden oft unter exorbitant hohen Rechenkosten und dem Bedarf, Vorhersagen kontinuierlich zu aktualisieren, sobald neue Beobachtungen vorliegen. VAMoE adressiert diese Herausforderungen durch eine hybride Architektur aus Experten, wobei jeder Experte auf die Erfassung spezifischer Unter-Muster atmosphärischer Variablen (Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit) spezialisiert ist. Zudem verwendet die vorgeschlagene Methode eine variable adaptive Gating-Mechanismus, der relevante Experten dynamisch basierend auf dem Eingabekontext auswählt und kombiniert, wodurch eine effiziente Wissensvermittlung und Parameterweitergabe ermöglicht wird. Diese Architektur reduziert den Rechenaufwand erheblich, ohne die Vorhersagegenauigkeit zu beeinträchtigen. Experimente auf dem realen ERA5-Datensatz zeigen, dass VAMoE sowohl bei kurzfristigen (1 Tag) als auch langfristigen (5 Tage) Vorhersageaufgaben mit State-of-the-Art-Modellen vergleichbare Leistung erzielt – und zwar mit lediglich etwa 25 % der trainierbaren Parameter und 50 % des ursprünglichen Trainingsdatensatzes.