全球站點天氣預報（GSWF）是區域性和極端天氣預測的關鍵，但現有方法由於過度依賴短期模式而面臨準確率提升有限、極端事件預測困難以及誤差累積等問題。這些不足源於對混沌天氣動態的捕捉不足，尤其在觀測資料不完整的情況下。為應對這一挑戰，研究團隊提出了一種名為三軸狀態空間模型（TSSM）的新方法，其核心是歷史增強的時間-變數-歷史正規化。該正規化透過整合週期對齊的歷史天氣資料，彌補了傳統時間回溯視窗之外的長期、大尺度週期和全視窗天氣模式，從而更全面地反映天氣系統的演變規律。
在具體實現中，TSSM將歷史樣本按週期對齊堆疊成批次，使得預測既能基於當前觀測，也能借助歷史資訊，形成因果支援。模型設計了三軸掃描機制：時間軸捕捉時間依賴關係，變數軸分析變數間的相關性，歷史軸追蹤歷史演化過程。這種三軸結構透過層次共享機制，能夠同時建模從季節性到極端事件的不同尺度，同時有效緩解歷史模式間的對齊偏差。此外，TSSM透過週期對齊策略，使歷史資料與當前預測視窗在時間相位上保持一致，進一步提升了預測的穩定性。
實驗結果表明，TSSM在目前規模最大的站點天氣資料集Weather-5K上達到了最先進的效能。在準確率方面提升10%，在極端事件預測指標上提升61%，這得益於其對長期週期和全視窗模式的建模能力。在人工參與的多個資料集中，95%的測試案例取得了最佳或次佳結果，驗證了其泛化能力。在長週期預測方面，240小時預報增益達37.5%，顯示了其在延長預報時效方面的優勢。在迭代預測場景下，48小時×5次迭代的增益高達103.5%，表明TSSM能有效抑制誤差累積。
魯棒性測試顯示，TSSM展現出極強的抗缺失能力。即使在80%觀測資料缺失的情況下，其效能仍保持在90%以上，而基線方法已降至43%以下。這一特性使其特別適用於全球實際觀測網路中資料不完整的場景，例如偏遠地區或裝置故障時的氣象服務。TSSM的層級共享結構還降低了計算開銷，使得模型在保持高精度的同時具備高效的推理能力。該工作為全球站點天氣預報提供了一種可靠且實用的解決方案，有望在氣象預警、農業規劃等領域發揮重要作用。