Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks

本文介绍了时空预测在解决自然问题和处理视频帧中的重要作用，尤其在天气预报和人类动作识别方面。最近的研究尝试将先前的物理知识引入深度学习框架中，以估计未知的偏微分方程（PDE），在时空预测任务中已经展现出了良好的结果。然而，以前的方法只限制神经网络架构或损失函数以获得物理或PDE特征，这降低了神经网络的表征能力。同时，物理状态的更新过程也无法有效地估计。为了解决上述问题，本文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力。此外，我们提出了一种带有物理约束的自适应二阶龙格-库塔方法，以更精确地建模物理状态。我们在时空和视频预测任务上评估了我们的模型。实验结果表明，我们的模型优于最先进的方法，并在多个数据集中表现最佳，参数数量要小得多。

本文旨在解决时空预测中深度学习框架中缺乏物理知识的问题，提出了一种物理引导的神经网络模型，旨在提高模型对时空动态的估计能力。

本文提出了一种物理引导的神经网络模型，采用了频率增强的傅里叶模块和矩损失来增强模型对时空动态的估计能力，并提出了一个带有物理约束的自适应二阶龙格-库塔方法来更精确地建模物理状态。

本文提出的模型在时空预测和视频预测任务中均取得了优秀的表现，并在多个数据集上取得了最佳结果，参数数量也大大减少。实验设计合理，使用了多个数据集，并提供了开源代码。

在这个领域中，最近的相关研究包括 Incorporating Physics into Deep Learning for Fluid Flow Prediction 和 Learning PDEs from Data。