Seasonal

general · First seen 2026-05-22 · Last seen 2026-11-17 · 4 mentions

Overview

Seasonal(季节性预测)是指对未来数月至一年时间尺度上气候、销量、流量等周期性变化进行预估的技术领域,正处于传统统计方法与深度学习、概率模型加速融合的阶段。它介于短期天气预报与长期气候预估之间,因预测周期长、不确定性大,一直是时间序列与地球科学AI研究中的难点方向。近期,多项研究尝试用零训练方法、可解释模型和物理约束世界模型来提升季节性预测的精度与可信度。

Seasonal 预测的近期进展

  • Conformal Expert Pools:零训练概率时间序列预测方法 CEP 发布:CEP 提出一种无需训练的概率预测框架,通过组合多个“专家”模型并用保形预测(conformal prediction)校准不确定性。对季节性时间序列而言,这类零训练方法降低了部署门槛,也为周期性数据提供带统计保障的区间估计。
  • Interpretable AI predicts a 2026 summer dry anomaly in central China:该研究用可解释的 AI 模型预测 2026 年夏季中国中部将出现干旱异常,展示了机器学习在季节尺度气候异常预报上的应用潜力。可解释性使研究者能追溯模型依据的物理信号,这是季节性预测走向业务化的重要一步。
  • EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting:EO-WM 将物理规律嵌入世界模型,用于对地球观测数据做概率化预测,为季节性的植被、水文等要素变化提供了兼顾物理一致性与数据驱动优势的新范式。
  • 当前焦点与观察点

    目前季节性预测领域的争议集中在两点:一是纯数据驱动模型在长周期上的泛化能力是否可靠,二是物理约束与机器学习如何平衡——EO-WM 代表的“物理+AI”路线与纯深度学习路线仍在竞争。此外,概率化输出(如 CEP 的保形校准)正在成为标配,因为下游决策者需要的不是单点预测,而是可信的不确定性区间。可解释性也日益受重视,2026 年中国中部干旱异常这类具体预测能否被验证,将直接检验可解释季节性 AI 的实用价值。未来值得关注的方向包括跨区域迁移能力、多模型集合的融合策略,以及预测结果在农业、能源等行业的落地效果。

    Coverage

    4 on file