When the Past Matters: FlashBack Memory for Precipitation Nowcasting

📄 arXiv: 2606.16342v1 📥 PDF

作者: Yuhao Du, Boxiao Huang, Chengrong Wu, Jiankai Zhang

分类: cs.CV

发布日期: 2026-06-15

💡 一句话要点

提出FlashBack Memory以解决降水短期预报中的长依赖问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 降水预报 长范围依赖 递归神经网络 FlashBack Memory 时空表示 动态检索 自适应融合 模型评估

📋 核心要点

  1. 现有降水短期预报方法在高时空分辨率下常出现误报和漏报，且难以有效建模长范围依赖。
  2. 本文提出FlashBack Memory模块，通过动态检索历史状态并自适应融合，提升递归模型的时空表示能力。
  3. 实验结果显示，集成FB后模型在多个数据集上显著提高了预测精度，尤其在高强度降雨情况下表现优异。

📝 摘要（中文）

准确的降水短期预报对灾害减缓和社会经济规划至关重要，但现有方法常面临误报、漏报及高时空分辨率下的长范围依赖建模困难。为解决这些挑战，本文提出了FlashBack Memory（FB）模块，该模块动态检索关键历史状态，并通过自适应融合门进行整合，从而增强基于递归模型的时空表示能力。将FB集成到多个模型中进行评估，实验结果表明FB显著提高了MSE、MAE、SSIM和CSI指标，尤其在高强度降雨和长序列预测中表现突出，同时减少了误报和漏报，增强了时间一致性和空间定位能力。

🔬 方法详解

问题定义：本文旨在解决降水短期预报中存在的误报、漏报及长范围依赖建模困难等问题。现有方法在高时空分辨率下的表现不佳，导致预报准确性不足。

核心思路：论文提出的FlashBack Memory模块通过动态检索关键历史状态，并利用自适应融合门将其整合，旨在增强递归模型的时空表示能力，从而改善降水预报的准确性。

技术框架：整体架构包括FlashBack Memory模块与多个基于递归的模型（如PredRNN、PredRNNpp等）的结合。FB模块负责历史状态的检索和融合，而递归模型则负责时序数据的处理与预测。

关键创新：最重要的技术创新在于FlashBack Memory模块的设计，它通过动态检索与自适应融合机制，显著提升了模型对长序列数据的处理能力，与传统方法相比，能够更好地捕捉时空依赖关系。

关键设计：在模型设计中，FB模块的参数设置经过精心调整，损失函数采用了适合降水预报的指标，网络结构则结合了递归神经网络的优势，确保了时空信息的有效传递与融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，集成FlashBack Memory的模型在CIKM2017、Shanghai2020和SEVIR数据集上显著提高了MSE、MAE、SSIM和CSI指标，尤其在高强度降雨和长序列预测中，误报和漏报率显著降低，时间一致性和空间定位能力得到增强。

🎯 应用场景

该研究的潜在应用领域包括气象预报、灾害管理和城市规划等。通过提高降水短期预报的准确性，能够有效减少自然灾害带来的损失，提升社会经济活动的安全性和可持续性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Accurate precipitation nowcasting is crucial for disaster mitigation and socio-economic planning, yet existing methods often struggle with false alarms, missed events, and long range dependency modeling at high spatiotemporal resolution. To address these challenges, we propose FlashBack Memory (FB), a module that dynamically retrieves key historical states and integrates them via an adaptive fusion gate, enhancing the spatiotemporal representation capability of recurrent-based models. We incorporate FB into PredRNN, PredRNNpp, MIM, MotionRNN, and PredRNN-V2, and evaluate on CIKM2017, Shanghai2020, and SEVIR datasets. Experimental results demonstrate that FB significantly improves MSE, MAE, SSIM, and CSI metrics, particularly for high-intensity rainfall and long-sequence predictions, while reducing false alarms and missed events and enhancing temporal consistency and spatial localization. The proposed method provides a general and efficient memory enhancement mechanism, improving the overall performance of recurrent-based precipitation nowcasting models.