Nowa.Moda
Nauka

Model DTCN-RevIN łączy różne skale czasu. Sprawdzono go w prognozie 6-godzinnej

W teście prognozy pogody na sześć godzin naprzód DTCN-RevIN dorównał sieci TCN: po zaokrągleniu oba modele uzyskały takie same łączne wartości RMSE i R². Wszystkie pięć porównywanych modeli korzystało z 32 godzin wcześniejszych danych.

Maszt z czujnikiem wiatru na tle chmur. Obok masztu zbiegają się dwa półprzezroczyste pasma: pofałdowane i łukowate — ilustracja
Poglądowa ilustracja stacji pogodowej z pasmami symbolizującymi łączenie sygnałów z różnych skal czasu.

Xixiang Yin, Sheng Shu i Minglei Yuan opisali test w artykule opublikowanym 18 listopada 2026 r. w PLOS ONE (DOI: 10.1371/journal.pone.0362741). Dla DTCN-RevIN łączny błąd RMSE wyniósł 0,0052 ± 0,0004, a R², czyli współczynnik dopasowania prognoz do obserwacji — 0,37 ± 0,06. Liczby po znaku ± to odchylenia standardowe z 50 ocen modelu. Rozrzut wyników był nieco mniejszy niż w przypadku TCN.

W całej piątce łączny R² mieścił się między 0,22 a 0,37, ale kolejność modeli zależała od tego, co prognozowały. Dla temperatury na wysokości 2 m najlepiej wypadły LSTM i LSTM z mechanizmem uwagi, a dla wilgotności względnej na tej samej wysokości — TCN. Trzecim zadaniem było przewidywanie prędkości wiatru na wysokości 10 m.

Pięć architektur na dziesięciu stacjach

Obok DTCN-RevIN, TCN i obu wersji LSTM w porównaniu znalazł się Transformer. Każdą architekturę trenowano osobno dla każdej z 10 stacji ze zbioru Weather Forecasting Dataset. Na stację i architekturę przypadało pięć uruchomień z różnymi ustawieniami generatora liczb losowych, co dało 250 treningów.

Dane uczące obejmowały 1188 dni obserwacji od początku 2015 r. do połowy 2018 r. Test objął 27 dni od końca sierpnia do końca września 2018 r. W porównaniu nie uwzględniono numerycznego modelu pogody WRF.

Jak sieć łączy krótkie wahania z wolniejszymi zmianami

DTCN-RevIN analizuje ten sam ciąg pomiarów w różnych skalach czasu. Jedne warstwy uwzględniają odczyty bliskie sobie w czasie, inne analizują zależności między odczytami bardziej od siebie oddalonymi. Bezpośrednie połączenia dają każdej warstwie dostęp do cech wydobytych przez wszystkie poprzednie, dzięki czemu model może wykorzystać w jednej prognozie informacje o krótkich wahaniach i wolniejszych zmianach.

RevIN odpowiada za normalizację danych. Przed obliczeniem prognozy przelicza każde okno pomiarów według jego własnej średniej i odchylenia standardowego, a potem przywraca prognozie skalę danych wejściowych. Autorzy zastosowali tę samą procedurę we wszystkich pięciu modelach, więc test porównuje architektury, ale nie mierzy osobno wpływu samej normalizacji.

Opracowanie Nowa.Moda na podstawie: PLOS ONE, Xixiang Yin, Sheng Shu, Minglei Yuan, 18.11.2026. Licencja źródła: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/).