近日，实验室教师宫永顺一篇论文“Weather forecasting, Spatio-temporal prediction, Data-driven model, Self-supervised learning, Contrastive learning”（作者：宫永顺，贺甜甜，陈勐，王斌，聂礼强，尹义龙）被CCF A类期刊IEEE Transactions on Knowledge and Data Engineering (TKDE) 录用，影响因子为 8.9。TKDE是国际人工智能数据挖掘顶尖和权威学术期刊之一。

天气预测对人类生活和现实世界中的各行各业都非常重要，例如交通出行、农业生产和旅游业等。现有的天气预测方法大致可分为两类：天气物理驱动（例如，数值天气预报）和数据驱动的方法。天气物理驱动的方法需要使用超级计算机对大气模型中的物理演化过程进行复杂的模拟，而大多数数据驱动的方法则通过深度学习模型从历史天气记录中学习潜在的规律。然而，一些数据驱动的方法只是将监测站的所有天气变量视为一个整体，无法更细粒度地利用不同监测站之间的复杂相关性，而另一些方法则倾向于构建具有大量可学习参数的大型神经网络。为了缓解这些缺陷，我们提出了一种时空对比自监督方法和生成上下文自监督技术，分别从站点级和变量级捕获空间和时间依赖性。通过这些精心设计的自监督任务，简单的网络获得了捕捉时变天气变化的潜在表示的强大能力。然后，提出了一种有效的基于编码器-解码器的微调框架，该框架由三个自监督编码器组成。通过在四个真实世界的天气数据集上的大量实验表明，我们的方法优于最先进的模型，并验证了每个自监督任务的可行性。