用于时序图节点特征预测的在线算法

本文提出了一种用于时序图中节点特征预测的在线算法mspace，该算法能够捕捉不同节点间的空间互相关性以及节点内部的时间自相关性。该算法可用于概率性和确定性多步预测，使其适用于估计和生成任务。与包括时序图神经网络（TGNN）模型和经典卡尔曼滤波器在内的各种基线进行比较评估，结果表明mspace的性能与最先进水平相当，甚至在某些数据集上超越了它们。重要的是，mspace在不同训练样本量的数据集上表现出一致的性能，这是相对于需要大量训练样本才能有效学习数据时空趋势的TGNN模型的一个显著优势。因此，在训练样本可用性有限的场景中，采用mspace是有利的。此外，我们建立了mspace多步预测误差的理论界限，并证明其随预测步数$q$线性增长，为$\mathcal{O}(q)$。对于渐近大量的节点数$n$和时间步数$T$，mspace的计算复杂度随$n$和$T$线性增长，即$\mathcal{O}(nT)$，而其空间复杂度保持恒定$\mathcal{O}(1)$。我们在十个真实世界数据集上比较了各种mspace变体与十个近期TGNN基线以及两个经典基线（ARIMA和卡尔曼滤波器）的性能。此外，我们提出了一种生成合成数据集的技术，以辅助评估节点特征预测方法，并有望作为未来研究的基准。最后，我们通过分析模型参数和数据集特征来研究不同mspace变体的可解释性，以得出模型和数据为中心的见解。