A Controlled Visual-Backbone Benchmark for Multimodal Short-Term Solar Irradiance Forecasting
本文提出了一个受控基准，用于多模态短期太阳辐照度预测，通过保持整个预测流水线固定，隔离了视觉骨干网络（包括 ConvNeXt、Swin Transformer 和 Mamba 变体）的影响，证明了虽然这些架构在 Folsom 数据集上优于智能持久性（smart persistence），但在更严格的 NREL 划分数据集上尚未能超越它。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，不是通过观察一张覆盖全球的巨型地图，而是通过盯着自家后院里一个微小的窗户来预测天气。这本质上就是太阳能预报员所做的工作。他们利用对准天空的摄像机拍摄云层的照片，希望能猜出在接下来的几分钟内，会有多少阳光照射到太阳能电池板上。为什么这很重要？因为太阳能有点像一个反复无常的朋友；阳光灿烂时它很棒，但如果一朵云意外飘过，电力供应可能会瞬间下降。为了保持灯火通明，工程师需要准确知道那朵云何时抵达。
多年来，科学家们一直试图为这些摄像机构建“智能眼睛”。他们构建了许多不同类型的 AI“大脑”（称为骨干网络）来观察天空图像。有些大脑的构造类似于经典的卷积网络，有些则像巨大的注意力机制转换器（Transformer），而最新的则像是状态空间模型（State-Space Models），像蛇一样在迷宫中穿梭扫描图像。问题在于，每当有人测试一个新的大脑时，他们也会同时改变摄像机设置、输入天气数据的方式以及 AI 学习的规则。这就像是在测试一台新的赛车引擎，但同时也更换了轮胎、司机和赛道。你无法判断是引擎真的更快了，还是你只是运气好换到了更好的轮胎。这篇论文通过创建一个完美受控的比赛来解决这种混乱。
来自斯里兰卡佩拉德尼亚大学的研究团队决定进行一场“公平竞争”的锦标赛。他们没有让每个 AI 模型各自制定规则，而是构建了一个单一且不可更改的赛道。他们保持了摄像机设置、历史天气数据、AI 结合图像与天气数据的方式，甚至连计算机的随机数生成器在每次测试中都完全相同。他们唯一改变的是“视觉骨干网络”——即观察天空的具体 AI 大脑类型。他们测试了五个不同的脑系家族：ConvNeXt、Swin Transformer、VMamba、Spatial Mamba 和 MambaVision。
结果有点像一场高水平的“谁能更好地猜中云的路径”的游戏。在名为 Folsom 的主赛道上（拥有超过 224,000 个测试样本），每一个视觉 AI 模型都成功击败了“智能持久性”（Smart Persistence）基准。把“智能持久性”想象成一条简单的规则：“如果五分钟前阳光灿烂，那么五分钟后可能也会阳光灿烂。” 尽管这条简单的规则非常难以被超越，但 AI 模型还是险胜了。这场比赛的获胜者是以极微小的优势夺冠的 VMamba Small，它预测阳光强度的误差为 65.39 W m⁻²。紧随其后的是 Swin Base，误差为 65.50 W m⁻²。两者之间的差距如此之小——仅为 0.11 W m⁻²——以至于作者建议我们不应宣布一个绝对的赢家，而应将它们视为一组非常接近的顶尖竞争者。
但故事在这里变得有趣且令人清醒。研究人员还在第二个数据集 NREL 上测试了这些模型，这个数据集更小且更难处理。在经过所有数据匹配过滤后，这个赛道仅剩下 313 个样本。在这个微小且困难的赛道上，简单的“智能持久性”规则实际上碾压了所有花哨的 AI 模型。表现最好的视觉 AI（Swin Tiny）误差为 23.76 W m⁻²，而简单的规则仅为 17.48 W m⁻²。这表明，当缺乏足够的数据进行学习时，复杂的 AI 大脑反而会感到困惑，而“假设情况保持不变”的简单策略才是最稳妥的选择。
论文还研究了这些模型的思考速度。VMamba Small 模型最为精确，但速度稍慢，运行速度为 168.5 FPS（每秒帧数）。与此同时，ConvNeXt Tiny 和 Swin Tiny 模型要快得多，分别以 561.5 FPS 和 471.5 FPS 的速度疾驰，而仅仅损失了一点点精度。这就像是在选择一辆虽然油耗略高但速度极快的跑车，还是选择一辆速度稍慢但极其省油的轿车。作者发现，让 AI “大脑”变得更大、更复杂并不总是会让它们变得更好；有时，规模较小、结构较简单的模型同样出色且速度更快。
最终，这篇论文并不声称自己找到了“完美的”用于太阳能预测的 AI。相反，它提供了一张清晰且受控的地图，展示了当不同的 AI 大脑被迫遵循完全相同的规则时，它们的表现如何。它表明，虽然像 VMamba Small 和 Swin Base 这样的模型在数据充足时目前处于领先地位，但模型的选择很大程度上取决于你拥有的数据量以及你对速度的需求。作者总结道，在我们开始构建庞大复杂的系统之前，我们应该坚持进行这些受控的对比，检查我们的简单基准，并确保我们不仅仅是在盲目追求更大的模型，而忽略了较小的模型可能同样能胜任工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。