Spatio-temporal probabilistic forecast using MMAF-guided learning
基于 MMAF 引导学习的时空概率预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般时空栅格数据的概率预测，未明确宏观经济、金融或微观计量应用，现有文本不足以归入所列细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于 MMAF 引导学习的时空概率预测
- 研究问题
- 如何将时空随机过程的依赖结构融入神经网络训练，使栅格数据的概率预测在多个预测期限上保持校准？
- 方法与思路
- 作者提出理论引导的广义贝叶斯方法，以时空 Ornstein–Uhlenbeck 过程约束数据嵌入和优化，并生成随机网络集合预测。
- 材料陈述的贡献
- 摘要称，合成与真实数据实验显示多期限预测保持校准，浅层前馈网络在部分任务上达到或超过所比较的深层架构。
- 阅读关注点
- 应核对 MMAF 的具体定义、过程约束如何进入训练、校准评价标准，以及不同网络在数据和计算资源上的比较是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明真实数据领域，过程中的因果结构也不等同于政策效应识别。
原文摘要
We present a theory-guided generalized Bayesian methodology for spatio-temporal raster data, which we use to train an ensemble of stochastic feed-forward neural networks with Gaussian-distributed weights. The methodology incorporates the dependence and causal structure of a spatio-temporal Ornstein-Uhlenbeck process into training and inference by enforcing constraints on the design of the data embedding and the related optimization routine. In inference mode, the networks are employed to generate causal ensemble forecasts by applying different initial conditions at different horizons. We call this workflow MMAF-guided learning. Experiments conducted on both synthetic and real data demonstrate that our forecasts remain calibrated across multiple time horizons. Moreover, we show that on such data, shallow feed-forward architectures can achieve performance comparable to, and in some cases better than, convolutional or diffusion deep learning architectures used in probabilistic forecasting tasks.