面向多元时间序列数据的全连接时空图

多元时间序列（MTS）数据在各个应用领域都至关重要。凭借其序列性和多源（多个传感器）特性，MTS 数据天然表现出时空（ST）依赖性，涉及时间戳之间的时间相关性以及每个时间戳内传感器之间的空间相关性。为有效利用此信息，基于图神经网络的方法（GNNs）已被广泛采用。然而，现有方法分别捕捉空间依赖性和时间依赖性，未能捕捉不同时间戳下不同传感器（DEDT）之间的相关性。忽略此类相关性阻碍了对 MTS 数据内 ST 依赖性的全面建模，从而限制现有 GNNs 学习有效表示。为解决此局限，我们提出一种称为全连接时空图神经网络（FC-STGNN）的新方法，包括全连接图构建和全连接图卷积两个关键组件。在图构建方面，我们设计了一种衰减图，根据传感器的时序距离连接所有时间戳上的传感器，使我们能够通过考虑 DEDT 之间的相关性来充分建模 ST 依赖性。进一步，我们设计了带有移动池化 GNN 层的 FC 图卷积，以有效捕捉 ST 依赖性从而学习有效表示。大量实验表明，与 SOTA 方法相比，FC-STGNN 在多个 MTS 数据集上的有效性。代码见 https://github.com/Frank-Wang-oss/FCSTGNN。