基于自适应深度展开变分模态分解的鲁棒时空预测

准确的时空预测对于诸多复杂系统至关重要，但由于常规图神经网络（GNNs）中复杂的波动模式和谱耦合，仍面临挑战。虽然集成分解的方法，如变分模态图卷积网络（VMGCN），通过信号分解提高了准确性，但 suffers from 计算效率低和手动调参。为此，我们提出了模式自适应图网络（MAGN），将迭代变分模态分解（VMD）转化为可训练的神经模块。我们的关键创新包括（1）展开VMD（UVMD）模块，将迭代优化替换为固定深度网络以减少分解时间（LargeST基准测试中缩短为原来的250倍），以及（2）模式特定可学习带宽约束（${\alpha}k$）适应空间异质性，消除手动调参，同时防止谱重叠。在LargeST基准测试（6,902个传感器，2410万条观测数据）上评估，MAGN相较于VMGCN在预测误差上降低了85%至95%，并在各类基准方法中取得了领先性能。