本研究研究了一种近期的模型类别，该类别使用图神经网络（GNN）来改进多元时间序列的预测，并提出了一种可微分参数化图形的模型，以提高预测质量，通过对四种不同模型进行比较，以及当禁用图形学习模块并提供基本关系时，我们对其行为进行了消融研究，根据我们的发现，我们提出了结合现有体系结构的新方法。
Sep, 2021
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
我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。
Nov, 2023
本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。
May, 2023
本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。
May, 2022
ForecastGrapher 是一个框架，将多变量时间序列预测重新构想为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力，引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性，通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。
May, 2024
本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。
Jan, 2021
直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。
TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023