面向多变量时间序列预测的图神经网络：基于多样性感知邻居选择与动态多尺度融合
机器学习
2025-09-30 v1 人工智能
摘要
最近提出了诸多深度模型来提高多变量时间序列（MTS）预测性能。其中，基于图神经网络（GNN）的方法因其能够显式建模变量间依赖关系而显示出巨大的潜力。然而，这些方法常常忽略邻居之间信息的多样性，这可能导致冗余信息聚合。此外，它们的最终预测通常仅依赖于单一时间尺度的表示。为解决这些问题，我们提出了图神经网络（GNN）与多样性感知邻居选择与动态多尺度融合（DIMIGNN）。DIMIGNN 引入了多样性感知邻居选择机制（DNSM），以确保每个变量与其邻居之间保持高信息相似性，同时保持邻居之间的多样性。此外，引入动态多尺度融合模块（DMFM），以动态调整来自不同时间尺度预测结果对最终预测结果的贡献。针对真实世界数据集进行的大量实验表明，DIMIGNN 在先前方法上 consistently 优于。
引用
@article{arxiv.2509.23671,
title = {Graph Neural Networks with Diversity-aware Neighbor Selection and Dynamic Multi-scale Fusion for Multivariate Time Series Forecasting},
author = {Jingqi Xu and Guibin Chen and Jingxi Lu and Yuzhang Lin},
journal= {arXiv preprint arXiv:2509.23671},
year = {2025}
}