概率预测包括基于过去观察的未来结果的概率分布组成。在气象中，运行基于物理的数值模型的集合以获得此类分发。通常，使用评分规则，预测分配的功能和观察结果进行评估。通过一些评分规则，可以同时评估预测的校准和清晰度。在深度学习中，生成神经网络参数化在高维空间上的分布，并通过从潜变量转换绘制来轻松允许采样。条件生成网络另外限制输入变量上的分布。在此稿件中，我们使用培训的条件生成网络执行概率预测，以最小化评分规则值。与生成的对抗网络（GANS）相比，不需要鉴别者，培训是稳定的。我们对两种混沌模型进行实验和天气观测的全球数据集;结果令人满意，更好地校准而不是由GANS实现的。
translated by 谷歌翻译