MillGNN: 用于多变量时间序列预测的多尺度 Lead-Lag 依赖学习
机器学习
2025-09-05 v1 人工智能
摘要
多变量时间序列（MTS）预测是各类应用的关键任务。现有方法因其强大的捕获变量内部和变量间依赖性的能力而表现突出。然而，这些方法常常忽略多个分组尺度上的 Lead-Lag 依赖，无法捕捉复杂系统中层次化的 Lead-Lag 效应。为此，我们提出 MillGNN，一种基于图神经网络的新方法，用于 MTS 预测，学习多个分组尺度的 Lead-Lag 依赖，可全面考虑变量层面和分组层面的动态和衰减。具体而言，MillGNN 引入两个关键创新：（1）一种尺度特定的 Lead-Lag 图学习模块，将整合来自实时输入和时间滞后值的交叉相关系数和动态衰减特征，以学习每个尺度的 Lead-Lag 依赖，可建模具有统计可解释性和数据驱动灵活性的演化 Lead-Lag 依赖；（2）一种层次化 Lead-Lag 信息传递模块，以结构化方式在多个分组尺度上传递 Lead-Lag 信息，同时传递内部和外部尺度的 Lead-Lag 效应，可在全面性和效率之间取得平衡。在 11 个数据集上的实验结果表明，与 16 种最新方法相比，MillGNN 在长期和短期 MTS 预测中表现优异。
引用
@article{arxiv.2509.03852,
title = {MillGNN: Learning Multi-Scale Lead-Lag Dependencies for Multi-Variate Time Series Forecasting},
author = {Binqing Wu and Zongjiang Shang and Jianlong Huang and Ling Chen},
journal= {arXiv preprint arXiv:2509.03852},
year = {2025}
}
备注
Accepted by CIKM 2025