编者按：
在 2026 时序数据技术创新大会上，我们邀请到清华大学软件学院博士张淏然，带来了题为“时空预测场景中的深度学习智能应用”的主题演讲。
他以气象预测为核心案例，分享了风清和风雷等模型在全球气象站点预测等预报场景的设计思路与实践成果，并进一步探讨了物理规律融合、多变量预测、概率预测及时序大模型等发展方向，这些探索持续推动时空预测能力从气象领域向更多行业延伸。目前，用户已可通过 TimechoAI 体验 Timer 系列时序大模型的预测能力。
时空观测：释放时序数据价值的关键一跃
张淏然的演讲以时空预测为主题，以气象预报为主要案例，讨论如何利用时空数据中的时间、空间及领域规律改进预测，并进一步探讨专用模型走向通用时空预测的可能性。
预测是人工智能的一项重要能力。模型需要依据历史观测信息，判断系统未来可能的状态，并为规划与预警提供尽可能准确、稳定的参考。
预测与生成式 AI 的共同点是都由模型生成输出，但预测面向未来状态判断，对误差、稳定性和可验证性有更直接的要求。从应用场景方面看，气象、能源电力、交通物流和工业设备等领域，都蕴含着将连续观测转化为预测能力的需求。
张淏然认为，时空预测让时序数据从记录历史进一步走向“预见未来”，也推动以 IoTDB 为代表的时序数据库成为 AI 系统的数据基础设施。
演讲随后回顾了气象预测方法的演进：
第一阶段是以数值模式为代表的时代。20世纪50年代以来，气象预测主要依赖物理方程和数值计算，通过求解大气运动方程，对未来天气进行模拟。
第二阶段是专用深度模型的发展阶段，大致从2016年持续到2022年。随着 LSTM、Transformer 等深度学习模型的发展，研究者开始针对能源、交通、天气等具体场景设计专用模型。不过，这些模型通常面向单一任务或单一数据集设计，泛化能力和应用范围仍然有限。
第三阶段是大模型时代。近年来，随着数据规模扩大和计算能力提升，研究者开始利用大规模数据进行预训练，探索能够适配不同区域、变量和预测任务的时空基础模型。这类研究旨在减少模型对单一场景标注数据的依赖，提升其在新场景中的迁移与快速适配能力。
从整体趋势来看，时空预测技术正在经历三方面转变：从简单时序数据走向时空规律先验建模，从小规模专用模型走向大规模通用模型，从特定领域应用走向关键行业应用。
时空预测的深度学习：从时间自相关到时空协同预测
在回顾时空预测的发展脉络后，张淏然重点介绍了深度学习如何从时间序列建模逐步拓展到时空联合预测。
他指出，时空预测的难点之一，在于数据包含时间、空间位置和变量之间的多重关系。以气象数据为例，经纬度、站点位置和气象要素都可能包含有助于预测的先验信息。如果模型没有充分利用这些信息，预测效果可能会受到影响。因此，如何从数据中提取并利用相关知识，是时空预测需要解决的问题之一。
早期的全球气象预测主要依赖气象站观测。每个站点记录所在地的光照、气压、风速等要素，但如何组织和利用分布在不同位置的观测数据，仍是建模需要面对的问题。
张淏然介绍，为了解决上述问题，团队早期尝试将气象数据表示为时间序列，并利用自相关机制捕捉数据中的规律，以应用于长期的序列预测。在 Autoformer 项目中，团队对序列进行趋势和周期分解，以处理日、周、月、年等不同时间尺度上的变化；同时考虑到预测涉及多个站点的海量数据，团队采用了快速计算方法降低计算负担。
研究中，团队发现不同站点记录到同一天气过程的时间可能存在先后差异。以台风为例，随着天气系统移动，沿途站点往往不会同时观测到强风，下游站点的观测可能更晚。
当不同站点观测到的时间差与天气系统的移动方向和过程相吻合时，这种时延便不只是观测噪声，而是反映着天气传播关系的一种观测表征。模型可结合站点间的相关性与时延信息，刻画天气系统在空间上的传播过程。
基于这一认识，演讲介绍了 Corrformer：它延续 Autoformer 的序列分解思路，并将时间、经纬度等时空信息共同嵌入，面向全球自动气象站预测。
Corrformer 的关键之一是引入多相关机制。该机制借鉴卷积神经网络的局部性思想，在模型设计中假设空间上相近的站点往往具有相似的天气变化规律，并据此建模站点之间的关联。
团队由此将站点组织为由局部到全局的树状结构：在叶节点建模时间自相关，在中间节点计算站点间空间互相关，通过相关性与时延关系推断天气传播路径，再沿路径汇聚信息。这样，模型既学习各站点自身的时间规律，也刻画天气系统在站点之间的传播与影响。
Corrformer 在对比测试中展现出对统计方法、深度学习方法及数值模式的竞争力。
演讲强调了 Corrformer 的跨尺度泛化能力。模型在全球约 3850 个自动站的数据上学习后，可外推至未参与训练的国内约 34040 个站点。此后，团队又将“大数据集学习、小样本场景泛化”的思路应用于仅有 24 个站点的冬奥场馆精细预测场景。
因此，即使局地场景的观测样本有限，也可以尝试利用大范围数据中学习到的时空规律，为该场景的预测提供支持。
北京 2022 年冬奥会的山地赛场是这一能力的实际检验。复杂地形会带来显著的微气候差异，山顶、山谷和不同赛道的风速与温度变化各不相同；而赛事保障又需要精细到站点、滚动更新且稳定可靠的短临预报。
仅依靠冬奥局地的有限观测，难以充分训练模型。为此，团队先从大范围数据中学习时空规律，再将其泛化到冬奥场馆的小样本场景，用于局地精细预报。
相关成果包括开放的时序深度学习算法库 TSLib、多输入的多层次预报系统，以及接入气象业务的冬奥部署。
下图展示的是冬奥天气预测应用的界面，该成果多方面改善了气象预报效果。作为冬奥保障中唯一的分钟级预报产品，冬奥气象业务系统达到了场馆平均风速预报误差较主流数值预报下降 23%，并实现基于实时观测、每 10 分钟滚动更新的分钟级风速与温度预报。
气象大模型：风清与风雷
在介绍了 Autoformer 和 Corrformer 两个典型应用之后，张淏然进一步指出，进入大模型时代，时空预测希望通过更多种类的气象要素、更完整的先验知识，以及更大规模的模型，获得预测能力的提升，并将其应用到更广泛的场景中。由此引出了对风清、风雷气象大模型的介绍。
风清：面向全球中短期预报的气象大模型
气象预测面对的是多层次、跨时效的需求：既要研判周、月乃至更长时间尺度的气候变化，也要及时捕捉台风影响下的短时强降水等快速天气过程。
面向这类复杂任务，演讲介绍了气象大模型“风清”。它聚焦全球中短期预报，以 6 小时为步长预测未来多个时效，并综合使用气压、温度、风速等多种气象要素，力求兼顾预报精度、推理效率与应用范围。
风清模型主要有三方面特点：一是推理高效，单张 GPU 即可运行；二是融合物理规律，将大气演变中的守恒关系和相关物理方程纳入模型设计，提升预测的合理性；三是支持多种气象要素预测，便于拓展到更多应用场景，也体现了模型的泛化能力。
该模型于 2023 年 1 月立项，经过持续研发，于 2024 年 6 月发布正式版本，并逐步与中国气象局对接、接入气象预报业务体系。同时，团队也将模型开源，供学术研究使用。
风清的设计将物理规律融入数据驱动模型：通过哈密顿神经网络构建物理守恒约束，并考虑相关气象变量之间的一致性；模型在统一的高维表示中联合建模多种要素形成协变量预测结构，再解码生成不同变量的预测。针对多步外推中误差逐渐累积的问题，模型还进行多时效优化，以提升较长预报时效下的稳定性。
风清 V1.5 的长时效效果评估不仅关注预测数值与观测的接近程度，也关注天气变化趋势及预报活跃度。汇报材料以距平相关系数（ACC）衡量趋势相关性，并以 Activity 评估预报活跃度。通过引入哈密顿神经网络，风清 V1.5 在提升长时效 ACC 的同时保持预报活跃度，缓解纯数据驱动模型随预报时效延长而过度平滑的问题。
在具体应用方面，风清已尝试服务于多种气象预测任务。
例如，在较长时间尺度上，风清可以用于梅雨期等气候过程的预测；在台风预报中，风清对台风“剑鱼”的路径预报稳定，报告中提到风清与欧洲中期天气预报中心（ECMWF）预报结果的对比，在部分较长预报时效上，风清的路径误差显著降低；在地方气象业务中，风清还可以针对沙尘等天气现象进行适配，构建专业沙尘 AI 模型。
风雷：面向强对流天气的降水临近预报模型
不过，中短期的气象预报并不能覆盖所有业务需求。
除了面向中短期尺度的气象大模型，还需要能够针对局地极端降水过程进行快速、精细预测的模型，这也是风雷模型所要解决的问题。
风雷由 NowcastNet 发展而来，相关工作于 2023 年 7 月形成阶段性成果，并在此后与气象业务部门持续合作、逐步进入实际应用。风雷同样重视气象过程中的物理规律，以雷达回波为主要输入，聚焦局地短临降水，尤其关注强对流等高影响天气过程。
短时强降水预报中，一个关键问题是避免预测结果过度平滑。模型如果只追求平均误差或其他整体指标，往往会把局地极端降水削弱成较为平缓的分布；但在实际业务中，真正需要关注的恰恰是少数区域、少数时刻出现的强对流中心，因为这些局地极值往往直接关系到城市运行和人民群众的生命财产安全。
因此，风雷模型不仅要在统计指标上取得较好结果，还必须能够保留降水过程的结构、强度和突发性，并经受气象专家对真实天气过程的业务检验。
在模型设计上，风雷引入了基于物理假设的演变算子，通过对气象系统中相关变量及其演化规律进行建模，增强预测过程的物理合理性。同时，模型采用对流尺度生成网络，在给定历史观测和环境条件的基础上，对未来雷达回波和降水状态进行受控生成，从而兼顾预测的稳定性与细节表现。物理演变机制与生成式架构结合后，模型能够在统一框架下处理不同空间尺度和时间尺度的降水过程，尤其适合短临预报中的强对流天气。
在落地过程中，团队将学术研究阶段使用的全球或区域数据迁移到中国区域的业务场景中，并针对数据整理、区域适配和安全要求进行工程化处理。模型还与地方气象部门持续对接，通过长期运行和专家反馈不断验证预测效果，同时兼容多种气象观测与预报数据来源，形成较完整的协同预测系统。
演讲介绍了风雷的两个实战案例，风雷模型能够利用全国范围内的气象背景信息，结合目标区域周边的历史演变，捕捉局地突然生成并快速发展的对流系统。
在北京区域的案例中，模型可以根据周边环境场判断强对流的发展趋势，并预测其对当地降水和气象要素的影响；在南阳等极端降水案例中，风雷对部分极端降水过程的预测结果与实际天气演变较为吻合。
Timer 时序大模型：像 ChatGPT 一样“通用”，为各行各业提供预测
张淏然介绍说，团队的长期目标，是构建一种能够跨领域迁移的通用时空预测模型。
许多领域存在着对时间、空间和多变量关系进行预测的需求，但气象领域中的方法和假设未必能够直接适用于其他行业。因此，团队对发展更加通用、泛化能力更强的模型进行了探索，希望以类似 ChatGPT 的方式，为各行各业提供通用的预测能力。
Timer 3.0（日晷）模型面向持续预测场景，支持多变量建模和概率预测。对于一段不完整或质量有限的时间序列，模型可以根据现有信息和不确定性，输出未来结果的概率分布与置信区间，而不是给出单一确定值。通过多次采样，可以更充分地反映模型对未来不同可能性的判断。
在 Timer-S1 时序大模型中，团队进一步探索了时间维度上的规模化。对于较长期的未来预测，模型需要投入更多参数和计算能力来刻画趋势变化。因此，模型会针对不同时间窗口进行分层建模，在更远的预测区间配置更多层次，以提升长期时序预测的效率和表现。
Timer 系列时序大模型已经从气象等时空预测任务，探索向能源电力、航空航天等多变量场景扩展。
例如，在发电厂的电价预测场景中，可供模型使用的数据不只发电设备测点采集的气压、风速等气象要素，还可能包含当地用电量、金融市场数据等其他变量。在这个案例中，模型采用 FutureBoost 两阶段范式进行预报：先由冻结的时序基座生成未来相关变量的预测，再将增强特征、外生变量和领域因子输入回归模型，得到最终电价预测。
以上成果呈现出时序预测从专用模型向更大规模、更强泛化能力演进的趋势。不过，与语言、图像和视频相比，工业时序数据涉及设备、工艺流程及多种运行指标，数据结构和场景差异更为复杂。因此，时序大模型既需要扩大数据与模型规模，也需要通过合理的归纳偏置保留对具体领域规律的刻画能力。
围绕这一方向，团队正持续推进多变量建模、概率预测和跨领域迁移等研究，并探索将相关成果融入 IoTDB 与 TimechoAI 产品体系。IoTDB 为时序数据的存储、管理与治理提供基础，TimechoAI 则提供模型体验和应用入口。
目前，TimechoAI 已内置 Timer 系列时序大模型，面向时序数据预测与分析提供智能服务。企业和开发者可以使用自己的真实数据，快速开展预测、异常检测和趋势分析等能力验证，从而降低时序大模型的使用门槛。
上图：TimechoAI 内置 Timer 系列时序大模型
传送门：
团队下一阶段的目标，是让物理约束、大模型、时序数据基础设施能够深度融合，使相关技术能够更好地服务于工业生产、能源、交通等行业，并真正应用到千行百业中。对用户而言，这意味着从时序数据的存储与治理，到预测模型的应用和预判，有机会形成更连贯的工作流程。
参考文献：
-
Autoformer|基于序列分解与自相关机制的长期时序预测模型：Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. Advances in Neural Information Processing Systems, 34, 22419–22430.
-
Corrformer|将自相关机制拓展至时空建模的全球气象站预测模型：WU H, ZHOU H, LONG M, et al. Interpretable weather forecasting for worldwide stations with a unified deep model\[J\]. Nature Machine Intelligence, 2023, 5: 602-611.
-
NowcastNet|融合物理规律与深度学习的极端降水临近预报模型：ZHANG Y, LONG M, CHEN K, et al. Skilful nowcasting of extreme precipitation with NowcastNet\[J\]. Nature, 2023, 619(7970): 526-532.