Agent-Based ML-LLM Fusion with Self-Optimizing Prompts for Plateau Weather Alerts

📄 arXiv: 2609.10135v1 📥 PDF

作者: Shuai Yan, Yang Xu, Shan He

分类: cs.AI, cs.LG

发布日期: 2026-09-09

备注: Accepted by ISPDS 2025

💡 一句话要点

提出SmartWeatherAgent以解决旅游气象服务中的适应性不足问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 气象服务 意图识别 危害预测 推理生成 智能决策

📋 核心要点

  1. 现有的旅游气象服务在上下文理解、泛化能力和场景适应性方面存在明显不足，影响了预警的准确性和及时性。
  2. 本文提出的SmartWeatherAgent通过三阶段架构，结合意图识别、危害预测和推理生成，提升了气象服务的智能化水平。
  3. 实验结果显示，系统在高风、降水和低温事件中取得了显著提升，复合警告质量分数提高了112%，并在科学严谨性上达到了9.2的高分。

📝 摘要（中文）

为了解决旅游气象服务中上下文不足、泛化能力弱和场景适应性差的问题，本文提出了SmartWeatherAgent——一个统一的三阶段架构，集成意图识别、危害预测和增强推理生成。该系统融合了基于规则的方法与大型语言模型，能够在多个粒度上解析查询，并采用LightGBM模型，结合高原特定特征（如风速突变率），在高风、降水和低温事件中实现了0.605的F1-Macro得分，延迟为1.60毫秒。通过12轮微步提示自优化循环，复合警告质量分数S_final从4.2提升至8.9（+112%）。

🔬 方法详解

问题定义：本文旨在解决旅游气象服务中存在的上下文不足、泛化能力弱和场景适应性差的问题。现有方法往往无法有效解析复杂的气象查询，导致预警效果不佳。

核心思路：SmartWeatherAgent通过集成意图识别、危害预测和推理生成，构建了一个统一的三阶段架构，旨在提升气象服务的智能化和适应性。

技术框架：该系统分为三个主要模块：意图识别模块用于解析用户查询，危害预测模块结合高原特定特征进行预测，推理生成模块则负责生成结构化的气象警告。

关键创新：最重要的创新在于将基于规则的方法与大型语言模型相结合，形成了一种新的解析和生成机制，显著提升了预警的质量和准确性。

关键设计：系统采用LightGBM模型，结合高原特定特征进行训练，并通过12轮微步提示自优化循环，优化警告生成的质量和科学性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SmartWeatherAgent在高风、降水和低温事件中的F1-Macro得分达到0.605，延迟仅为1.60毫秒。通过12轮微步提示自优化，复合警告质量分数S_final从4.2提升至8.9，提升幅度达112%。

🎯 应用场景

该研究的潜在应用领域包括旅游气象服务、灾害预警系统和智能决策支持。通过提升气象服务的智能化和适应性，能够更好地满足用户需求，增强气象预警的准确性和及时性，具有重要的实际价值和社会影响。

📄 摘要（原文）

To address insufficient contextualization, weak generalization, and poor scenario adaptation in tourism meteorological services, we propose SmartWeatherAgent--a unified three-stage architecture integrating intent recognition, hazard prediction, and reasoning-enhanced generation. The system fuses rule-based methods with large language models to parse queries at multiple granularities and employs a LightGBM model enriched with highland-specific features (e.g., wind speed abruptness rate), achieving an F1-Macro score of 0.605 with 1.60 ms latency on high-wind, precipitation, and low-temperature events. A 12-round micro-step prompt self-optimization loop boosts the composite warning quality score S_final from 4.2 (B01) to 8.9 (B12, +112%). Key improvements include a sharp rise in B08 from data source citation (6.5 -> 8.5), sustained high performance in B10 via physical mechanism explanation, and a peak scientific rigor score of 9.2 in B12 through explicit uncertainty statements. The system autonomously generates structured warnings that integrate causal mechanisms, spatiotemporal evolution, quantitative evidence, regulatory references, and confidence statements--enhancing professional depth, logical rigor, and scientific soundness, and advancing meteorological services toward proactive perception, explainable decision-making, and intelligent agency.