摘要

多变量时间序列预测在众多实际应用中发挥着至关重要的作用。该问题具有挑战性，因为需要同时考虑序列内部的时间相关性以及序列之间的相互关联性。尽管近年来已有诸多研究致力于捕捉这两种相关性，但大多数方法（甚至可以说全部）仅在时域中建模时间相关性，并依赖预定义的先验知识来表征序列间的关联关系。本文提出了一种谱域时空图神经网络（Spectral Temporal Graph Neural Network, StemGNN），以进一步提升多变量时间序列预测的精度。StemGNN 在谱域中联合建模序列间的相关性与时间依赖性。该模型将图傅里叶变换（Graph Fourier Transform, GFT）与离散傅里叶变换（Discrete Fourier Transform, DFT）有机结合，构建了一个端到端的框架：GFT 用于建模序列间的相互关系，DFT 则用于捕捉时间维度上的动态依赖。经过 GFT 和 DFT 变换后，所得的谱域表示具有清晰的结构模式，能够被卷积模块与序列学习模块高效预测。此外，StemGNN 能够从数据中自动学习序列间的相关性，无需依赖任何预定义的先验关系。我们在十个真实世界的数据集上进行了大量实验，充分验证了 StemGNN 的有效性。相关代码已开源，可访问 https://github.com/microsoft/StemGNN/ 获取。