莱斯大学的研究人员，开发了一个以深度学习技术作为基础的天气预测系统，能以80%精确度预测5天后的极端天气事件。由于新方法计算成本低廉，因此可用来辅助传统数值天气预测模型，缩小需要精确计算的范围。
天气预测技术已经发展了数十年，绝大多数的进步，都是改进数值天气预测（Numerical Weather Prediction，NWP）模型，以取得更好的结果，但是即便数值天气预测模型越来越复杂，投入更多的计算资源与时间，但是在预测极端天气时仍遇到许多困难。
研究人员提到，当有热浪或是寒流出现在，观测天气图通常会发现喷射气流呈现不寻常的状态，像是大量或是不移动的高压系统等异常现象，而气压分布是决定天气变化的关键因素，研究人员认为，预测极端天气是一种模式识别问题，而不使用数值方法来处理。
研究人员同时使用了卷积神经网络（CNN）以及胶囊神经网络（CapsNet），并以1920年到2005年的历史天气数据来训练模型。胶囊神经网络是一种机器学习系统，属于人工神经网络的类型，可以更好地表示模型阶层关系。
用来训练神经网络的数据有地表温度，以及对流层中层大规模环流模式（Z500），使用胶囊神经网络可预测寒流与热浪的发生，以及出现的区域，准确率达到88%，研究人员提到，胶囊神经网络的性能，比卷积神经网络和逻辑回归方法还要好。
这个研究证明，多变量由数据驱动的框架，有望实现准确且即时的极端天气预报，研究人员不认为这个方法可以立即取代数值天气模型，但是可作为早期极端天气警报，帮助缩小需要利用数值天气模型，特别精确计算的范围。