TRAKNN: Efficient Trajectory Aware Spatiotemporal kNN for Rare Meteorological Trajectory Detection

📄 arXiv: 2603.02059v1 📥 PDF

作者: Guillaume Coulaud, Davide Faranda

分类: stat.ML, cs.LG

发布日期: 2026-03-02

💡 一句话要点

提出TRAKNN，用于高效检测气象时空轨迹中的罕见模式

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 时空数据挖掘 轨迹分析 k近邻算法 极端天气事件 大气环流 递归算法 无监督学习

📋 核心要点

  1. 现有方法难以高效处理大规模时空气象数据，无法有效捕捉大气环流的动态演化轨迹。
  2. TRAKNN通过递归算法和批量操作，降低计算复杂度，实现高效的轨迹相似性搜索。
  3. 实验表明，TRAKNN能有效识别与极端天气事件相关的罕见大气轨迹模式。

📝 摘要（中文）

极端天气事件，如风暴和热浪，是由持续数天的大气环流模式驱动的。传统研究侧重于瞬时大气状态，但捕捉这些空间场的时序演化（即轨迹）对于表征罕见且有潜在影响的大气行为至关重要。然而，对数十年尺度、大陆范围的格点数据集进行详尽的相似性搜索，面临巨大的计算和内存挑战。本文提出TRAKNN（轨迹感知KNN），一个完全无监督且数据无关的框架，通过精确的k近邻方法检测时空数据中几何上罕见的短轨迹。TRAKNN利用基于递归的算法，将计算复杂度与轨迹长度解耦，并采用高效的批量操作，最大化计算强度。这些优化使得在标准工作站上（CPU或GPU）进行详尽分析成为可能。我们在75年的欧洲海平面气压数据上评估了该方法。结果表明，TRAKNN识别的罕见轨迹对应于物理上连贯的大气异常，并与独立的极端事件数据库相符。

🔬 方法详解

问题定义：论文旨在解决在大规模时空气象数据中，如何高效准确地检测罕见轨迹模式的问题。现有方法在处理长时序数据时，计算复杂度高，难以进行详尽的相似性搜索，从而无法有效识别与极端天气事件相关的罕见大气轨迹。

核心思路：TRAKNN的核心思路是将轨迹相似性搜索问题转化为一个递归问题，通过计算轨迹片段之间的相似性来逐步构建整个轨迹的相似性度量。这种方法将计算复杂度与轨迹长度解耦，从而显著提高了搜索效率。同时，利用批量操作充分利用计算资源。

技术框架：TRAKNN框架主要包含以下几个阶段：1) 数据预处理：对原始时空数据进行清洗和格式化，得到轨迹表示。2) 递归相似性计算：利用递归算法计算轨迹片段之间的相似性，构建轨迹相似性矩阵。3) k近邻搜索：基于相似性矩阵，使用k近邻算法搜索与给定轨迹最相似的k个轨迹。4) 罕见轨迹识别：根据k近邻搜索结果，识别几何上罕见的轨迹。

关键创新：TRAKNN的关键创新在于其递归相似性计算方法，该方法将计算复杂度从O(n^2)降低到O(n)，其中n是轨迹长度。这种方法使得在大规模时空数据上进行详尽的轨迹相似性搜索成为可能。此外，TRAKNN是一个完全无监督和数据无关的框架，不需要任何先验知识或人工标注。

关键设计：TRAKNN使用欧几里得距离作为轨迹片段之间的相似性度量。递归算法的具体实现细节包括如何选择轨迹片段的长度、如何处理边界情况等。k近邻搜索使用标准的k-d树算法。k值的选择需要根据具体应用场景进行调整，通常选择较小的k值以识别罕见轨迹。

📊 实验亮点

TRAKNN在75年的欧洲海平面气压数据上进行了评估，结果表明，该方法能够有效识别与极端天气事件相关的罕见大气轨迹模式。TRAKNN识别的罕见轨迹与独立的极端事件数据库相符，验证了该方法的有效性。此外，TRAKNN在标准工作站上即可进行高效计算，无需昂贵的硬件设备。

🎯 应用场景

TRAKNN可应用于极端天气事件预测、气候变化研究、大气污染扩散分析等领域。通过识别罕见的大气轨迹模式，可以提前预警极端天气事件的发生，为防灾减灾提供决策支持。此外，该方法还可以用于分析气候变化对大气环流的影响，以及评估大气污染的扩散路径和潜在影响。

📄 摘要（原文）

Extreme weather events, such as windstorms and heatwaves, are driven by persistent atmospheric circulation patterns that evolve over several consecutive days. While traditional circulation-based studies often focus on instantaneous atmospheric states, capturing the temporal evolution, or trajectory, of these spatial fields is essential for characterizing rare and potentially impactful atmospheric behavior. However, performing an exhaustive similarity search on multi-decadal, continental-scale gridded datasets presents significant computational and memory challenges. In this paper, we propose TRAKNN (TRajectory Aware KNN), a fully unsupervised and data-agnostic framework for detecting geometrically rare short trajectories in spatio-temporal data with an exact kNN approach. TRAKNN leverages a recurrence-based algorithm that decouples computational complexity from trajectory length and efficient batch operations, maximizing computational intensity. These optimizations enable exhaustive analysis on standard workstations, either on CPU or on GPU. We evaluate our approach on 75 years of daily European sea-level pressure data. Our results illustrate that rare trajectories identified by TRAKNN correspond to physically coherent atmospheric anomalies and align with independent extreme-event databases.