摘要

多变量时间序列建模长期以来一直吸引着来自经济学、金融学和交通等多个领域的研究人员。多变量时间序列预测的一个基本假设是其变量之间存在相互依赖关系，但仔细观察后可以发现，现有的方法未能充分挖掘变量对之间的潜在空间依赖关系。近年来，图神经网络（GNNs）在处理关系依赖方面表现出强大的能力。然而，GNNs 需要明确定义的图结构来进行信息传播，这意味着它们不能直接应用于依赖关系事先未知的多变量时间序列数据。本文提出了一种专门针对多变量时间序列数据设计的一般图神经网络框架。我们的方法通过一个图学习模块自动提取变量之间的单向关系，并且可以轻松集成外部知识如变量属性。此外，我们还提出了一种新颖的混合跳跃传播层和膨胀卷积层，以捕捉时间序列中的空间和时间依赖关系。图学习、图卷积和时间卷积模块在一个端到端的框架中联合训练。实验结果表明，我们提出的模型在四个基准数据集中的三个上优于最先进的基线方法，并在两个提供额外结构信息的交通数据集上达到了与其他方法相当的性能。