基于动态图神经常微分方程的多元时间序列预测

多元时间序列预测在能源消耗与交通预测等现实应用中长期受到显著关注。尽管近期方法展现出良好的预测能力，它们存在三个基本局限。(i) 离散神经架构：交错单独参数化的空间与时间模块以编码丰富的潜在模式，导致不连续的潜在状态轨迹与更高的预测数值误差。(ii) 高复杂度：离散方法以专门设计与冗余参数使模型复杂化，导致更高的计算与内存开销。(iii) 对图先验的依赖：依赖预定义的静态图结构限制了其在现实应用中的有效性与实用性。在本文中，我们通过提出一种连续模型来解决上述所有局限，以动态图神经常微分方程（$\texttt{MTGODE}$）预测多元时间序列（Multivariate Time series with dynamic Graph neural Ordinary Differential Equations）。具体而言，我们首先将多元时间序列抽象为具有时间演化节点特征与未知图结构的动态图。随后，我们设计并求解一个神经 ODE 以补全缺失的图拓扑并统一空间与时间消息传递，允许更深层的图传播与细粒度的时间信息聚合，以刻画稳定而精确的潜在时空动态。我们的实验在五个时间序列基准数据集上从多个角度证明了 $\texttt{MTGODE}$ 的优越性。