Swift: Um Modelo Autoregressivo de Consistência para Previsão do Tempo Eficiente

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

Autores: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

Resumo

Os modelos de difusão oferecem uma estrutura fisicamente fundamentada para previsões meteorológicas probabilísticas, mas sua dependência típica de solucionadores iterativos e lentos durante a inferência os torna impraticáveis para aplicações de sub-sazonal a sazonal (S2S), onde longos prazos de previsão e calibração orientada por domínio são essenciais. Para resolver isso, introduzimos o Swift, um modelo de consistência de passo único que, pela primeira vez, permite o ajuste fino autoregressivo de um modelo de fluxo de probabilidade com um objetivo de pontuação de probabilidade classificada contínua (CRPS). Isso elimina a necessidade de conjuntos multi-modelos ou perturbações de parâmetros. Os resultados mostram que o Swift produz previsões habilidosas de 6 em 6 horas que permanecem estáveis por até 75 dias, executando 39 vezes mais rápido do que os modelos de difusão de última geração, enquanto alcança uma habilidade de previsão competitiva com o IFS ENS operacional baseado em métodos numéricos. Isso representa um passo em direção a previsões de conjunto eficientes e confiáveis, desde escalas de médio prazo até sazonais.

English

Diffusion models offer a physically grounded framework for probabilistic weather forecasting, but their typical reliance on slow, iterative solvers during inference makes them impractical for subseasonal-to-seasonal (S2S) applications where long lead-times and domain-driven calibration are essential. To address this, we introduce Swift, a single-step consistency model that, for the first time, enables autoregressive finetuning of a probability flow model with a continuous ranked probability score (CRPS) objective. This eliminates the need for multi-model ensembling or parameter perturbations. Results show that Swift produces skillful 6-hourly forecasts that remain stable for up to 75 days, running 39times faster than state-of-the-art diffusion baselines while achieving forecast skill competitive with the numerical-based, operational IFS ENS. This marks a step toward efficient and reliable ensemble forecasting from medium-range to seasonal-scales.