待验证50% 置信事实精确时间
SDECast 使用神经随机微分方程（Neural SDE）实现连续时间下的概率性天气预报
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证SDECast 将天气演化建模为在连续时间上演化的随机过程，而非离散时间步的跳跃76% 相似待验证主流机器学习天气预报模型普遍采用固定时间分辨率下的自回归滚动方式生成预报70% 相似待验证SDECast 的连续时间随机框架为 AI 模型中的不确定性量化提供了一条不同于扩散模型集合或显式扰动方法的新路径69% 相似待验证神经 SDE 相比确定性神经常微分方程（Neural ODE）多出随机项，能够生成多条演化轨迹并天然输出预报集合69% 相似待验证扩散模型的理论基础由 Song Yang 等人在 2020 年通过随机微分方程（SDE）框架统一阐明，概率流 ODE 的发现使确定性采样成为可能，催生了 DDIM 等加速采样方法，将采样步数从 1000 步压缩至 10-50 步64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/976049API
curl https://kongchang.com/api/v1/knowledge/claims/976049MCP
get_claim(id=976049)