天气预报在许多人类活动中发挥着至关重要的作用，包括灾害准备和缓解、农业规划、能源管理和交通安全[1]。准确的预报使政府和行业能够采取预防措施，优化资源分配，并保护公共安全[2]。在气象变量中，风尤其重要，因为它直接影响可再生能源的产生、航空安全、海上导航以及极端天气事件的预警[3]。准确的风速预报可以提高风能利用的效率，并降低风暴和飓风带来的风险。随着对可再生能源的依赖增加以及气候变化导致极端天气事件的频率上升[4]，提高风速预报的准确性已成为一项紧迫的研究任务。
传统的天气预报依赖于数值天气预报（NWP）[5]模型，这些模型通过物理方程来模拟大气动态。然而，这些模型计算成本高昂，在复杂地形中进行高分辨率预报时存在困难，并且由于模型误差和大气混沌而面临不确定性[7]、[8]。为了解决这些限制，近年来数据驱动的机器学习方法取得了显著进展[9]。统计模型、基于回归的方法和深度学习技术在捕捉气象数据中的非线性依赖性和时空相关性方面表现出良好的能力。特别是深度学习模型，如长短期记忆（LSTM）网络[10]和卷积神经网络（CNNs）[11]，在时间序列预测任务中表现出色。这些模型可以有效地学习时间依赖性并提取局部空间特征。然而，它们往往难以充分利用对准确天气预报至关重要的复杂时空依赖性[11]。
因此，明确同时建模空间和时间结构的时空预测方法变得尤为重要。基于图的模型，特别是图卷积网络，将空间位置表示为图节点，并捕捉站点或区域之间的结构关系[12]。注意力机制也被用来动态地重新加权来自不同时间步和空间位置的贡献，从而提高鲁棒性和适应性[13]。最近的研究结合了图操作和注意力机制，以生成更能反映大气中演变依赖性的自适应或学习到的图结构。尽管取得了这些进展，但仍存在几个重要的挑战。
首先，许多现有的基于图的解决方案依赖于静态或预定义的邻接矩阵，这些矩阵无法完全反映气象系统中存在的动态和上下文依赖的相互作用[14]。其次，大多数方法隐含地假设所有节点的重要性相同。然而，在实践中，某些站点或地点通常主导局部动态并对邻近位置产生巨大影响。为了说明这一点，图1使用ERA5数据展示了三江源地区连续的风速热图，以及一组采样的监测节点。大的红色圆圈表示风速位于前25%的地点。周围的节点通常表现出相似的模式，表明这些高速地点驱动了局部气流。作者将这类有影响力的站点称为关键节点。现有方法在表示以这些关键节点为中心或从这些关键节点传播的时空依赖性方面存在局限性[17]。
为了解决这些限制，作者提出了STAP-DGCN，这是一种基于时空自注意力的图卷积网络，专为风速预测而设计。该模型旨在识别并强调关键的气象站点，同时保持对所有节点的全局视角。本文的主要贡献如下。
时空关键图构建。作者引入了一个系统框架，结合自注意力和动态节点选择来检测在空间和时间上具有强烈影响的站点，并构建一个时空关键图。通过为节点分配层次重要性权重，该框架抑制了来自非关键节点的噪声，将模型的表示能力集中在核心区域及其动态演变上，从而提高了对关键时空模式的捕捉能力。
双图卷积架构：作者提出了一种双图卷积架构，其关键图卷积模块从核心气象站点提取显著的时空特征，而全局图卷积模块捕获全节点依赖性，以抵消关键节点的偏差。这些互补模块通过动态的基于权重的特征整合融合在一起，放大了关键区域信号，而不牺牲对整个天气系统的感知。
- •
在真实世界的气象数据集上的广泛验证表明，STAP-DGCN优于现有模型，证明了其在生成更可靠的天气预报方面的实用性。
