本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

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

这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

May, 2024

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

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

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

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

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。

Nov, 2023

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

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