McCast: Memory-Guided Latent Drift Correction for Long-Horizon Precipitation Nowcasting
作者: Penghui Wen, Yu Luo, Lintao Wang, Mengwei He, Patrick Filippi, Thomas Francis Bishop, Zhiyong Wang
分类: cs.LG, cs.AI
发布日期: 2026-05-13
💡 一句话要点
McCast：利用记忆引导的潜在漂移校正实现长时程降水临近预报
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 降水临近预报 长时程预测 自回归模型 漂移校正 记忆网络
📋 核心要点
- 现有降水临近预报方法在长时程预测中误差累积，导致预测结果偏离实际，缺乏全局时间演变考虑。
- McCast提出一种记忆引导的潜在漂移校正方法，利用时间组织的记忆主动校正自回归潜在演变，提高预测的连贯性。
- 在SEVIR和MeteoNet数据集上，McCast在长时程预测中表现出最先进的性能，验证了其有效性。
📝 摘要（中文）
现有的降水临近预报方法通常采用自回归公式，即从先前的输出预测未来的状态。然而，这种方法会在长时间的迭代中累积误差，导致预测结果偏离物理上合理的演变轨迹。尽管许多研究试图通过提高逐步预测的准确性来缓解这个问题，但它们在很大程度上忽略了气象系统的全局时间演变，并且缺乏主动校正迭代过程中漂移的机制。为了解决这个问题，我们提出了McCast，一种用于降水临近预报的记忆引导的潜在漂移校正方法。McCast不是将记忆视为用于被动调节的无序潜在状态字典，而是利用时间组织的记忆来主动校正自回归潜在演变。具体来说，McCast引入了一个漂移校正记忆库（DCBank），它显式地估计时间上一致的漂移校正，以校准发散的轨迹。DCBank分两个阶段执行漂移校正：校正潜在提取器首先从当前预测和参考潜在状态预测初始校正，然后校正感知记忆检索模块使用时间组织的历史记忆来细化初始校正。通过显式地校正潜在演变，而不是仅提高逐步预测的准确性，McCast产生更具时间连贯性和可靠性的长时程预测。在两个广泛使用的基准数据集SEVIR和MeteoNet上的实验表明，McCast实现了最先进的性能，尤其是在具有挑战性的长时程预测场景中。
🔬 方法详解
问题定义：现有的降水临近预报方法，特别是基于自回归模型的，在进行长时程预测时会面临误差累积的问题。由于每一步的预测都依赖于前一步的输出，微小的误差会在时间推移中不断放大，导致预测结果与真实的降水演变轨迹产生显著偏差，即出现“漂移”现象。现有方法主要关注提高单步预测的准确性，而忽略了对整体时间演变的建模和校正，缺乏主动纠正漂移的机制。
核心思路：McCast的核心思路是通过引入记忆机制，显式地对自回归预测过程中的潜在漂移进行校正。它不只是被动地利用记忆信息来辅助预测，而是主动地利用时间组织的记忆来识别和纠正预测轨迹中的偏差。通过这种方式，McCast能够更好地捕捉降水系统的全局时间演变，并生成更连贯、更可靠的长时程预测。
技术框架：McCast的主要组成部分包括：1) 自回归预测模块，负责生成初始的降水预测序列；2) 漂移校正记忆库（DCBank），用于存储和组织历史的潜在状态信息；3) 校正潜在提取器，用于从当前预测和参考潜在状态中预测初始的漂移校正量；4) 校正感知记忆检索模块，用于利用DCBank中的历史记忆信息来细化初始的漂移校正量。整体流程是：首先，自回归预测模块生成初始预测；然后，校正潜在提取器和校正感知记忆检索模块协同工作，利用DCBank对预测结果进行漂移校正；最后，将校正后的预测结果作为下一步自回归预测的输入，循环迭代，直至完成整个长时程预测。
关键创新：McCast的关键创新在于其显式地对潜在漂移进行建模和校正。与以往主要关注提高单步预测准确性的方法不同，McCast通过引入DCBank和相应的校正模块，主动地识别和纠正预测轨迹中的偏差，从而更好地捕捉降水系统的全局时间演变。这种显式漂移校正的机制是McCast能够实现更准确、更连贯的长时程预测的关键。
关键设计：DCBank采用时间组织的结构，存储历史的潜在状态信息，并允许校正感知记忆检索模块根据时间顺序访问和利用这些信息。校正潜在提取器使用卷积神经网络（CNN）或Transformer等模型来预测初始的漂移校正量。校正感知记忆检索模块使用注意力机制来选择和加权DCBank中的历史记忆信息，从而细化初始的漂移校正量。损失函数通常包括预测误差损失和漂移校正损失，以同时优化预测准确性和漂移校正效果。
🖼️ 关键图片
📊 实验亮点
McCast在SEVIR和MeteoNet两个数据集上都取得了显著的性能提升。在长时程预测场景下，McCast的性能明显优于现有的最先进方法。具体来说，McCast在关键指标（如CSI、POD、FAR等）上均取得了显著的提升，尤其是在预测时间较长的情况下，其优势更加明显。这些实验结果充分证明了McCast在长时程降水临近预报方面的有效性和优越性。
🎯 应用场景
McCast在气象预报领域具有广泛的应用前景，尤其是在极端天气事件的预警和防灾减灾方面。准确的长时程降水预报可以帮助政府和相关部门提前做好应对准备，减少自然灾害带来的损失。此外，McCast还可以应用于农业生产、水资源管理等领域，为相关决策提供科学依据。未来，McCast有望与其他气象模型相结合，进一步提高预报的准确性和可靠性。
📄 摘要（原文）
Existing precipitation nowcasting methods typically adopt an autoregressive formulation, where future states are predicted from previous outputs. However, such an approach accumulates errors over long rollouts, causing forecasts to drift away from physically plausible evolution trajectories. Although various studies have attempted to alleviate this problem by improving step-wise prediction accuracy, they largely neglect the global temporal evolution of meteorological systems and lack mechanisms to actively correct drift during rollouts. To address this issue, we propose McCast, a memory-guided latent drift correction method for precipitation nowcasting. Rather than treating memory as an unordered dictionary of latent states for passive conditioning, McCast leverages temporally organized memory to actively correct autoregressive latent evolution. Specifically, McCast introduces a Drift-Corrective Memory Bank (DCBank) that explicitly estimates the temporally consistent drift corrections to calibrate the divergent trajectory. DCBank performs drift correction in two stages: a Corrective Latent Extractor first predicts an initial correction from the current prediction and a reference latent state, and a Correction-Aware Memory Retrieval module then refines the initial correction using temporally organized historical memory. By explicitly correcting latent evolution, instead of improving step-wise prediction accuracy only, McCast produces more temporally coherent and reliable long-horizon forecasts. Experiments on two widely used benchmarks, SEVIR and MeteoNet, show that McCast achieves state-of-the-art performance, particularly in challenging long-horizon forecasting scenarios.