利用物理引导和频率增强的循环神经网络增强时空预测

PhICNet 是一种混合框架，将基于物理的数值模型与深度学习结合，实现源识别和预测。

PastNet 方法通过引入谱卷积运算，有效地引入潜在物理定律的归纳偏差，提升高分辨率视频预测的效率和效果。

物理感知元学习框架利用偏微分方程的知识，适应有限数据，展示了在时空预测任务中的卓越性能。

物理知识驱动的深度学习超分辨率框架增强了时间依赖型偏微分方程的空时分辨率，减少计算复杂度。

新型神经网络框架利用离散余弦变换和循环神经网络，提高了物理相关模型的效率和灵活性。

基于深度学习的时空预测研究探索了使用物理知识改进模型性能的方法。

数据驱动的普适专家模块通过光流估计组件增强了局部洞察力，取得了显著的性能提升。

模块化设计方法将时空序列模型分解为空间编码器和预测器，提高了计算性能。

结合神经网络和偏微分方程的方法能够降低动态数据中的参数成本。