DAWIS：通过窗口化逆采样与多任务插值器进行数据同化

arXiv:2610.03314v1 公告类型：cross 摘要：基于流和扩散的生成模型近年来逐渐成为动力系统中灵活且高效的预测模型。将其与推理时引导相结合，为高维非高斯数据同化（DA）提供了一条有前景的路径。数据同化旨在结合预测与观测，以估计系统的潜在状态。然而，现有滤波器基于固定历史进行条件化，并且仅同化最近一次观测，因此当新观测到来时无法修正过去的状态。这样得到的估计会持续受限于一段可能被后续观测推翻的历史，误差也会在同化过程中不断累积。为此，我们提出 **DAWIS**，一种统一的数据同化方法，在单一框架内涵盖滤波、固定滞后平滑和分块平滑。DAWIS 将状态级先验的单一流时间替换为覆盖连续状态窗口的多任务随机插值器，并为每个状态分配独立的流时间。同化周期首先将该窗口逆变换为由各状态转折点组成的向量，然后在观测引导下重新生成窗口；这些转折点控制着每个状态被保持不变、修正或从头生成的程度。相同的构造还可以将预测过程纳入同化周期，从而无需单独的预测模型。在具有挑战性的非线性系统上的实验表明，在稀疏、噪声和非线性观测条件下，DAWIS 的表现优于滤波和平滑基线方法。DAWIS 的代码可在 https://github.com/Erik-Wikingsson/DAWIS 获取。