ChaosNetBench: 在混沌格点动力学上对时空图神经网络的基准测试

时空图神经网络 (STGNN) 广泛用于交通和天气等动态物理系统的短期预测。然而，主流的评估实践在单一领域内使用真实世界基准数据集进行单一固定的留出集划分，这使得难以跨不同动力学机制比较架构。我们引入了 ChaosNetBench (CNB)，一个合成基准数据集和评估框架，用于研究在受控多维混沌动力学下 STGNN 的性能。CNB 基于耦合标准映射的格点构建，具有可独立调节的局部混沌度 ($K$)、耦合强度 ($\varepsilon$) 和系统规模 ($N$)，在 96 个系统实例和 9{,}600 条轨迹上提供了已知的拓扑和已知的动力学。我们引入了混沌指标、评估指标和协议，以分析和比较 STGNN 架构处理不同水平局部和全局混沌的能力。我们通过分析 13 种架构（5 种 STGNN 和 8 种非图基线）来说明该框架的使用。结果揭示了依赖于机制的转变：当局部混沌度较低时，非图基线 (TCN, N-BEATS, iTransformer) 仍具竞争力；而 STGNN（例如 Graph WaveNet, D2STGNN, STAEformer）通常对更高水平的局部和全局混沌具有更强的鲁棒性。CNB 提供了一个实用、可复用的测试平台，用于系统性地比较和分析 STGNN 架构处理不同水平局部和全局混沌的能力。