面向时间序列预测的表达性谱-时间图神经网络

时间序列预测因其于能源管理与交通规划等领域的重大应用而始终是焦点。谱-时间图神经网络是基于图神经网络（GNNs）的大多数时间序列预测模型背后的一种有前景的抽象。然而，关于此类方法基础原理所知仍有限。本文中，我们建立了一个理论框架，揭示谱-时间 GNN 的表达能力。我们的结果表明，线性谱-时间 GNN 在温和假设下是通用的，且其表达能力受限于我们在离散时间动态图上的扩展一阶 Weisfeiler-Leman 算法。为使我们的发现对有效实例化的实践有用，我们详细讨论了相关约束并勾勒了在谱域设计空间与时间模块的理论蓝图。基于这些见解，并为展示基于我们框架的谱-时间 GNN 之强大，我们提出了一种称为时间图 Gegenbauer 卷积（TGGC）的简单实例化，其仅用线性组件即显著优于多数现有模型并展现更优模型效率。我们的发现为设计更广泛的、可证明具表达力的基于 GNN 的时间序列模型铺平了道路。