Zespół badaczy zaprezentował Triaxial State Space Model (TSSM) - nową architekturę sztucznej inteligencji specjalizującą się w prognozowaniu pogody dla poszczególnych stacji meteorologicznych. Dotychczasowe modele często polegały na krótkoterminowych wzorcach i miały problemy z prognozowaniem zdarzeń ekstremalnych oraz akumulowaniem błędów. TSSM rozwiązuje ten problem poprzez incorporację historycznych danych pogodowych wyrównanych do odpowiadających sobie okresów - jeśli ostatnio padało w lipcu, model sprawdza podobne warunki z lipca z poprzednich lat.
Architektura TSSM pracuje na trzech osiach: czasowej (temporal), zmiennych meteorologicznych (variable) i historycznej (historical). Historyczne próbki pogody są organizowane w grupy wyrównane do okresu roku, co pozwala modelowi uchwycić zarówno sezonowe wzorce, jak i ekstremalnie niespodziewane zdarzenia. Ta hierarchiczna struktura wspiera prognozowanie przyczynowe poprzez zarówno historyczne, jak i bieżące obserwacje, znacznie lepiej niż dotychczasowe podejścia.
Na największej do tej pory bazie danych pogodowych Weather-5K model TSSM osiągnął stan-sztuki wyniki: 10-procentową poprawę dokładności ogólnej oraz aż 61-procentowy wzrost w metrykach dotyczących przewidywania ekstremów pogodowych. Na zbiorach danych zaangażowanych w badania człowieka TSSM uzyskał wynik 95 procent w kategorii najlepszy lub drugi najlepszy model. Te wyniki sugerują szczególnie znaczące możliwości dla długohoryzontowych prognoz pogody, co ma praktyczne znaczenie dla zarządzania klęskami żywiołowymi i bezpieczeństwa publicznego.