多元时间序列 | GNN多元时序预测概念_gnn预测

多元时间序列 | GNN多元时序预测概念

多变量时间序列（MTS）预测在许多行业中显示出重要性。目前最先进的基于图神经网络（GNN）的预测方法通常需要图网络（例如GCN）和时序网络（例如LSTM）来捕捉系列间（空间）动态和系列内（时间）依赖关系。然而，这两个网络的不确定兼容性给手工设计模型增添了额外负担。此外，分离的空间和时序建模自然违反了现实世界中统一的时空相互依赖关系，这在很大程度上阻碍了预测性能的提升。为了解决这些问题，作者探索了一个有趣的方向，即直接应用图网络，从纯图的角度重新思考MTS预测。作者首先定义了一个新颖的数据结构，称为超变量图，将每个系列值（无论是变量还是时间戳）视为一个图节点，并将滑动窗口表示为时空全连接图。这种视角统一考虑了时空动态，并重新构造了经典的MTS预测为对超变量图的预测。然后，作者提出了一种新颖的体系结构——傅里叶图神经网络（FourierGNN），通过堆叠作者提出的傅里叶图算子（FGO）在傅里叶空间执行矩阵乘法。FourierGNN具有足够的表达能力，实现了更低的复杂性，可以有效而高效地完成预测。此外，作者的理论分析揭示了FGO在时间域中等效于图卷积，进一步验证了FourierGNN的有效性。对七个数据集的广泛实验证明了作者的卓越性能，相较于最先进的方法，作者