Swift: Авторегрессионная модель согласованности для эффективного прогнозирования погоды

Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting

September 30, 2025

Авторы: Jason Stock, Troy Arcomano, Rao Kotamarthi

cs.AI

Аннотация

Диффузионные модели предоставляют физически обоснованную основу для вероятностного прогнозирования погоды, однако их типичная зависимость от медленных итеративных решателей в процессе вывода делает их непрактичными для приложений на субсезонных и сезонных масштабах (S2S), где важны длительные сроки прогнозирования и калибровка, основанная на данных. Для решения этой проблемы мы представляем Swift — одношаговую модель согласованности, которая впервые позволяет проводить авторегрессионную донастройку модели потока вероятностей с целевой функцией, основанной на непрерывном ранговом вероятностном критерии (CRPS). Это устраняет необходимость в ансамблевом подходе с использованием нескольких моделей или в возмущениях параметров. Результаты показывают, что Swift создает качественные 6-часовые прогнозы, которые остаются стабильными до 75 дней, работая в 39 раз быстрее, чем современные диффузионные базовые модели, при этом достигая уровня прогностического мастерства, сопоставимого с операционной численной моделью IFS ENS. Это представляет собой шаг к эффективному и надежному ансамблевому прогнозированию на среднесрочных и сезонных масштабах.

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.