SAMSGL：面向时空预测的序列对齐多尺度图学习框架

交通预测和天气预报等多个领域的时空预测是一项具有挑战性的任务，主要难点在于建模传播动态以及捕捉节点间的高维交互。尽管基于图的网络在时空预测方面取得了显著进展，但仍有两个与预测性能密切相关的关键因素需要进一步考虑：传播动态中的时间延迟和多尺度高维交互。本文提出了一种序列对齐多尺度图学习（SAMSGL）框架，旨在提升预测性能。为处理空间交互中的时间延迟，我们提出了一种序列对齐图卷积层，以促进无延迟图信号的聚合，从而减轻时间延迟的影响以提高精度。为理解全局和局部时空交互，我们通过多尺度图学习开发了一种时空架构，该架构包含两个核心组件：多尺度图结构学习和图全连接（Graph-FC）模块。多尺度图结构学习包括一个用于学习延迟和无延迟节点嵌入的全局图结构，以及一个用于学习受邻近因素影响的节点变化的局部图结构。Graph-FC模块协同融合空间与时间信息以提升预测精度。为评估SAMSGL的性能，我们在气象和交通预测数据集上进行了实验，结果证明了其有效性和优越性。