时空序列预测必须同时表达位置结构、时间状态与预报范围

时空序列预测以一段按时间排列的空间场为输入，估计未来一个或多个空间场。降水雷达、交通速度、空气质量和地表温度都可写成这种形式，但它们的观测机制、守恒关系和可预报尺度不同。共享张量形状不意味着可以共享同一套模型假设。

从时间序列扩展到空间场

普通循环网络把每个时刻表示为向量，容易丢失网格邻域。卷积循环结构将输入到状态、状态到状态的变换改为卷积，使隐藏状态保留行列位置和局部邻域。ConvLSTM 由降水临近预报问题提出，其价值在于把空间相关与时间记忆放在同一状态更新中，而不是证明它适用于所有地理过程。

输入张量需要明确时间间隔、空间分辨率、通道含义和有效范围。不规则采样直接补成等间隔可能把缺测当作真实平稳过程；不同传感器拼接还需处理网格、时间和尺度差异。质量掩膜、缺测时长和观测来源应作为输入或评价条件保存。

卷积隐含平移共享，即同一局部模式在各位置采用相同参数。海岸、山脉、道路拓扑或固定源排放会使过程明显位置相关。静态地形、土地覆盖、坐标编码或图结构可以补充位置条件，但仍需检验模型是否只是记忆训练区域。

单步模型可以反复把预测喂回自身生成多步结果，这会产生训练与推理分布差异。训练时模型看到真实历史，推理时却看到带误差的自身输出，偏差会逐步放大。直接多步输出避免递归输入，但需要同时学习多个时效，并可能平滑后期极值。

教师强制、计划采样和序列到序列结构用于处理这一差异，但不能消除可预报性的物理上限。报告必须按提前量分别给出指标，不能只平均成一个分数。短时效优越不代表长时效仍有价值。

确定性损失常使模型倾向于预测空间平均，尤其在事件位置不确定时。均方误差下，一场位置稍偏但形态正确的强降水可能受到很大惩罚，模型于是输出模糊场。可结合结构指标、阈值事件指标、邻域评价或概率预测，但每种指标强调的业务价值不同。

持续性基线直接把最近观测当作未来，在短时预测中往往很强。还可使用季节平均、移动平均、光流、传统时序模型或数值模型。深度网络只有在相同输入、时效和评价区域下稳定超越这些基线，额外复杂度才有依据。

验证应按时间向前划分，避免未来样本进入训练。随机打乱时间片会把同一事件的相邻帧分到训练和测试，也会让季节信息泄漏。若目标是推广到新区域，还要叠加空间留出；只在同一雷达覆盖区的后续日期测试，不能说明跨区域能力。

极端事件样本稀少，总体误差容易被普通天气主导。应按强度、面积、季节和事件类型分层，报告命中、漏报、虚警以及空间位移。阈值事件指标需说明阈值和邻域，不同空间分辨率下不能直接比较。

时空场的变化可能受风、地形、日周期、节假日和控制策略影响。外生变量必须在预测时真实可得；把事后观测天气或完整事件统计输入模型会造成前视泄漏。预报型外生变量还包含自身误差，应在训练和测试中使用与上线一致的版本。

注意力图或特征重要性可以显示模型依赖位置，却不能证明驱动机制。相邻变量共同变化、观测网络布局和数据缺口都可能制造相关。若任务需要政策或工程干预的因果判断，应采用额外设计，而不是把预测模型解释为过程模型。

上线后应监测输入延迟、缺测比例、空间覆盖、传感器版本和逐提前量误差。新站点加入或雷达校准改变会让输入分布突变。监测需要空间分层，否则少数高密度区域可能掩盖边缘区域退化。

概率预测可通过集合、分位数或显式分布表达多个可能未来。校准要按时效、位置和事件强度检查，预测区间覆盖率正常也可能伴随区间过宽。对预警任务，还需根据漏报和虚警代价选择决策阈值。

时空预测交付物应包括输入窗口、预测窗口、网格定义、缺测规则、训练时段、空间范围、基线、分层指标和已知外推边界。模型输出是一种条件预测，不是对未来场状态的无条件保证。

部分时空变量具有非负、容量或近似守恒约束。网络输出违反这些边界时，即使平均误差较低，也可能无法用于调度和预警。可在输出变换、损失或后处理加入约束，但必须检查是否只是裁剪异常而掩盖模型失效。预测结果与控制决策相连时，还要用决策成本评价，不只比较像元误差。

Shi 等：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting，https://papers.nips.cc/paper/2015/hash/07563a3fe3bbe7e3ba84431ad9d055af-Abstract.html
Goodfellow、Bengio、Courville：Deep Learning，https://www.deeplearningbook.org/