将时间序列的相互作用描述为一个图结构，变量表示为图节点，近年来的研究显示了将图神经网络应用于多元时间序列预测的巨大前景。沿着这条线，现有的方法通常假设决定图神经网络聚合方式的图结构(或邻接矩阵)是通过定义或自学习固定的。然而，变量之间的相互作用在现实世界中可以是动态的和进化的。此外，时间序列在不同的时间尺度上的相互作用也有很大的不同。为了使图神经网络具有灵活实用的图结构，本文研究了如何对时间序列的演化和多尺度相互作用进行建模。特别地，我们首先提供了一个分层的图结构配合扩张卷积来捕捉时间序列之间的尺度相关。然后，以循环的方式构造一系列邻接矩阵来表示每一层的演化相关性。同时，给出了一个统一的神经网络对上述组件进行集成，得到最终的预测结果。通过这种方式，我们可以同时捕获成对相关性和时间依赖性。最后，在单步和多步预测任务上的实验证明了我们的方法比最先进的方法的优越性。
阅读者总结：这篇论文是典型的图神经网络在多元时间序列预测上的应用，主要考察了两个方面1）变量之间的依赖关系是随着时间发生变化 2）不同时间粒度上的依赖关系也会发生变化。这就意味着需要学习图的结构是很关键的点，同时随着时间变化，演化图的卷积的结构也会变化。
总之：这篇论文是演化图神经网络的应用，与之前KDD2020上的静态图结构，以及在ICDE2021上的图卷积神经网络识别不同时间粒度主题类似
如何设计合适的图结构对时间序列之间的相关性进行建模逐渐成为解决这一问题的关键。1) The graph structure is evolving over time. 2) The graph structure varies on different observation scales. 短期变量之间的相关性可能与长期变量之间的相关
发布者：admin，转转请注明出处：http://www.yc00.com/web/1755047732a5232965.html
评论列表（0条）