来自西湖大学的几位研究者联合发表了一项科研成果。他们针对近年来交通流预测任务下的图神经网络模型，认为其架构不能直接照搬进气象预测领域并进行了证明。提出了一系列改进方法，最终模型取得了SOTA的效果。

论文标题：

Conditional Local Convolution for Spatio-temporal Meteorological Forecasting

论文地址：

https://arxiv.org/abs/2101.01000

论文源码：

https://github.com/BIRD-TAO/CLCRN

研究者们需要找到一种方法，来抽象气象预测场景下的问题。具体的：
  1. 将分布地球表面的各种气象信号抽象为一个球数据结构，给予坐标，球体上要区分若干个局部空间（local space），他们与实际地理测地线、欧氏距离相关；
  2. 通过单位速度测地线（unit-speed geodesics）定义出每个局部空间的邻居，进而构建起等轴映射（isometric map），将球体数据结构转化成图数据结构，以描述不同局部空间之间的关系；

针对上述问题抽象，该文研究者们提出了因地制宜的图卷积核（location-characterized kernel）来改良DCRNN（一种用于交通流预测的图神经网络，ICLR 2018）中的图卷积部分。

模型整体的结构如下图：

内容中包含的图片若涉及版权问题，请及时与我们联系删除