提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

Mar, 2021

本文提出了一种名为 PoGeVon 的模型，基于 VAE，利用基于随机游走的节点位置嵌入和多任务学习的三阶段预测，对存在节点特征和图结构上的缺失值的网络化时间序列进行了精确的缺失值预测和图结构重构。

May, 2023

本研究提出了一种基于图卷积网络和动态图学习模块的方法（GCN-M），用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。

Dec, 2022

提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

Sep, 2023

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

Jan, 2022

本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

Jun, 2022

我们提出了一种名为 GinAR 的图内插注意递归网络，以准确地对有限收集的数据进行空间时间依赖性建模，从而解决历史缺失数据的问题。GinAR 通过内插注意力和自适应图卷积这两个关键组件，能够恢复所有缺失变量，并重新构建正确的空间时间依赖性，以递归建模多变量时间序列数据。我们在五个实际数据集上进行了广泛实验，结果表明 GinAR 在效果上优于 11 个先进基准模型，即便在 90% 的变量缺失的情况下，仍能准确预测所有变量的未来值。

May, 2024

使用多尺度 Transformer 的多变量时间序列预测中，引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度。进一步，提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明，提出的 MTPNet 优于最新的先进方法。

Aug, 2023

本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。

Jun, 2023