GCGNet：用于含外生变量的时间序列预测的图一致生成网络
机器学习
2026-05-04 v2 人工智能
摘要
外生变量为预测未来内生变量提供了宝贵的补充信息。预测外生变量的时间序列需同时考虑过去到未来的依赖关系（即时间相关性）以及外生变量对内生变量的影响（即通道相关性）。这在未来外生变量可得时尤为关键，因为它们可能直接影响未来内生变量。目前许多方法已用于含外生变量的时间序列预测，侧重于建模时间和通道相关性。然而，这些方法大多采用分步策略，分别建模时间和通道相关性，限制了其捕捉跨时间和通道联合相关性的能力。此外，在实际场景中，时间序列常受多种噪声的影响，强调对此类相关性建模的鲁棒性至关重要。为此，我们提出了GCGNet（Graph-Consistent Generative Network），用于含外生变量的时间序列预测。具体而言，GCGNet首先采用变分生成器生成粗略预测。随后，图结构对齐器通过评估生成相关性与真实相关性之间的一致性进行引导，其中相关性以图的形式表示且对噪声鲁棒。最后，提出图细化器以防止预测退化并提高精度。12个真实数据集上的广泛实验表明，GCGNet均优于当前最先进的基线方法。
引用
@article{arxiv.2603.08032,
title = {GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables},
author = {Zhengyu Li and Xiangfei Qiu and Yuhan Zhu and Xingjian Wu and Jilin Hu and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2603.08032},
year = {2026}
}