面向时间序列预测与分类的时空图神经网络模型系统文献综述
机器学习
2025-12-01 v4 人工智能
数据分析、统计与概率
摘要
近年来，时空图神经网络（GNNs）因其能够同时捕获变量间及跨时间点的依赖关系，在时间序列分析领域引起了广泛关注。因此，本系统文献综述旨在全面概述图神经网络在时间序列分类与预测中的各种建模方法及应用领域。通过数据库检索，我们遴选出366篇论文，对该领域的当前最新进展进行了详细审视。此审视旨在为读者提供一份关于所提出模型、相关源代码链接、可用数据集、基准模型及拟合结果的全面综述。希望所有这些信息能助力研究人员的研究工作。据我们所知，这是首篇且范围最广的系统文献综述，详细比较了当前应用于不同领域的时空图神经网络模型的结果。在最后部分，本综述讨论了时空图神经网络应用中的当前局限与挑战，例如可比较性、可复现性、可解释性、信息容量不足以及可扩展性。本文附有一个GitHub仓库（https://github.com/FlaGer99/SLR-Spatio-Temporal-GNN.git），提供了额外的交互式工具以进一步探索所呈现的发现。
引用
@article{arxiv.2410.22377,
title = {A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification},
author = {Flavio Corradini and Flavio Gerosa and Marco Gori and Carlo Lucheroni and Marco Piangerelli and Martina Zannotti},
journal= {arXiv preprint arXiv:2410.22377},
year = {2025}
}