准确预测极端温度事件对于气候适应和灾害防备至关重要，然而，由于此类现象具有突发性和非平稳性，传统时间序列模型往往难以捕捉其剧烈的动态变化。近日，国科大杭州高等研究院（以下简称杭高院）生命与健康科学学院（以下简称生命学院），上海交通大学数学科学学院、人工智能学院陈洛南团队在National Science Review发表题为 “Forecasting Extreme Temperature Events by Hankel-Augmented Contrastive Learning” 的研究成果。该研究提出名为Hankelformer的新型深度学习架构，通过将基于STI信息转换理论及Hankel矩阵的结构化数据增强与对比学习相结合，显著提升了极端温度事件的预测精度。
Hankelformer的核心创新在于两点：一是基于STI(spatiotemporal Information Transformation)时空信息转换构建Hankel矩阵以提取局部时空动态模式，同时保持时间一致性，生成与原始序列在动力学上拓扑等价的增强视图；二是采用对比学习框架，通过共享权重的Transformer编码器同时处理原始序列与增强序列，并最大化二者之间的表征一致性，从而显著提升特征的鲁棒性和对分布偏移的抗干扰能力（图1）。
图1、Hankelformer框架示意图
研究团队在涵盖能源、交通和极端天气的九个基准数据集上对Hankelformer进行了系统评估。在三个针对真实极端事件构建的数据集--2021年北美寒潮（TexasFreeze）、太平洋西北热穹（Heatwave）和南极高温事件（Antarctic Heat）上，Hankelformer均取得了最优的预测精度。与现有最先进方法相比，Hankelformer在均方误差（MSE）上实现了最高达34%的降幅。此外，消融实验表明，Hankel矩阵增强与对比学习二者缺一不可：仅使用增强而不配合对比损失反而会导致性能下降，这证明了对比学习在对齐异构表征、稳定优化过程中的关键作用。
Hankelformer的成功为极端天气事件的可靠预测提供了一个有前景的工具，同时也表明，通过构建与原始序列拓扑等价的增强序列来进行时空表征学习，是应对现实世界中非平稳时间序列的有效途径。该框架不仅适用于气候监测，还可推广至能源系统管理、交通流预测等安全关键领域。
杭高院生命学院硕士研究生覃程洋和丁跃阳为本论文共同第一作者，杭高院生命学院陶鹏助理研究员和上海交通大学/杭高院生命学院陈洛南研究员为共同通讯作者。国家自然科学基金、国家重点研发计划、浙江省科技计划等为此项研究提供了资助。
论文链接：https://doi.org/10.1093/nsr/nwag456
