AI 数据研究能不能跨领域进行对比, 这点已然成了众多研究人员以及政策制定者所关注的重点。在本文当中, 是以加拿大作为例子, 深入地去剖析 AI 数据于经济预测和气候预测里的方法论方面存在的差异, 还有予以应用对比, 由此助力读者去理解不同领域 AI 研究有着怎样相同与不同的地方, 以及该怎么样依据具体需求挑选适宜恰当的研究方法。
想看跨领域研究完整方案？数据研究中心首页等你查看。
具有高频与结构化特征的、经济预测所依赖的时间序列数据, 主要源自政府统计机构、金融机构以及企业财务报表。加拿大统计局（StatCan）以及银行等机构, 会定期去发布GDP、通胀率、就业率等核心经济指标。这些数据的标准化程度高, 缺失值较少, 适合运用传统机器学习模型直接予以处理。
呈现多源、异构、非结构化特点的数据在于气候预测的数据那一块儿, 这其中涵盖卫星遥感图像、气象站观测数据、海洋浮标记录以及全球气候模型的输出结果。这些数据在时空尺度方面跨度是比较大的, 而且质量也并非统一状态, 参差不齐的样子哩, 往往得经过复杂的预处理以及特征工程之后才可用于AI模型训练。
在经济预测这一领域当中、更偏向于去运用诸如LSTM、Transformer等这般的序列模型、进而关注在时间维度之上的趋势预测以及波动分析。对于模型训练而言、通常是依赖于历史数据具备充分性这个条件的、相应的样本量相对来讲是比较充足的、于是交叉验证以及回测就成为了标准的评估手段。
气候的预测, 更多会采用像物理信息神经网络（PINN）、图神经网络（GNN）这类融合了物理规律的模型。因为气候变化所涉及到的反馈机制是复杂的, 所以单纯靠数据驱动的方法, 很容易偏离物理方面的约束, 故而需要将第一性原理以及观测数据结合起来共同进行训练。
经济预测的关键目标在于短期内进行精确估算, 像季度GDP增长率、月度通胀走向皆是如此。常常定期发布利率决策的加拿大央行对于这类预测极端依赖, 模型误差一般把控在1%以内。这类任务着重突出准确性、可解释性以及及时性, 从而为政策制定供给直接依据。
气候预测主要关注长期场景模拟情况, 像是未来30年到100年期间的温度变化状况, 以及降水模式的演变情形。这类预测的价值不在单点精度之上, 而是在于描绘出不同排放路径之下的没准轨迹, 以此助力政策制定者评估风险阈值以及应对策略。在加拿大环境部发布的年度气候报告以内, 不同共享社会经济路径也就是SSP的模拟结果属于典型应用。
通常而言, 经济模型是需要去满足那种严格的合规以及审计要求的, 政策制定者还有投资者是要清楚知晓预测逻辑的, 在经济预测里, SHAP值、LIME等可解释AI技术的应用是广泛的。
针对气候模型而言, 其可解释性更多地体现在对物理机制的保留方面, 在此过程中, 研究者着重关注该模型是否能够合理地反映诸如大气环流、海洋热吸收等关键过程。对于该模型, 即便黑箱程度可以进一步提高, 然而物理一致性乃是绝不可加以妥协的底线, 是必须坚守的原则。
Q1：两种预测的数据能混用吗？
强行混合是不被建议直截开展的行为, 因为经济相关数据与气候方面数据，存在量纲差异极大的情况, 时间尺度互不相同, 噪声特征也大相径庭, 如此状态下强行混合, 会致使模型面临收敛困难的问题, 还会让预测偏差得以增加, 要是需要开展联合模式的建模工作, 那么应当在分别处理之后, 再去进行特征融合的操作。
Q2：加拿大在这两个领域的AI研究水平如何？
加拿大于气候 AI 研究领域处在全球前列位置, 蒙特利尔、多伦多等地存有多个顶尖研究机构, 这些机构专心致力于气候模型与深度学习相互结合, 在经济预测范畴, 加拿大央行与各高校经济系同样正在积极探寻 AI 应用的情况, 在与经典计量经济学模型比较之下, 其仍处于补充的地位。
Q3：企业和个人如何获取相关数据？
经由StatCan官网、CFIB等途径能够免费获取经济数据, 借助Government of Canada Open Data Portal以及NASA 、NOAA等国际机构那些开放数据集可获取气候数据, 部分商业机构还提供便于快速开发应用的整合后的API服务。
跨领域对比AI数据研究是可行的只是得充分尊重不同领域方法论特征, 经济预测追求高精度短期估计, 气候预测侧重长期情景推演, 两者在数据、模型、目标方面存在本质差异, 盲目套用会致使研究结论失真。