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

提出了一种基于多粒度关联的预测网络 (MGCP)，该网络同时考虑了多粒度水平上的多元时间序列的关联，从而提高了预测性能。通过使用自适应傅里叶神经算子和图卷积网络来学习全局时空关联和跨系列关联，MGCP 能够从多元时间序列中提取细粒度和中等粒度水平的潜在特征。此外，MGCP 还利用带有注意机制预测器和条件鉴别器的对抗训练来优化粗粒度水平上的预测结果，并确保生成的预测结果与实际数据分布的高保真度。最后，将 MGCP 与几种最先进的时间序列预测算法在真实世界的基准数据集上进行比较，结果表明了所提模型的广泛适用性和有效性。

May, 2024

为了实现准确的多元时间序列（MTS）预测，我们重新考虑了互信息的角度下的序列内部关系和序列之间的关系，并相应地构建了一个全面的关系学习机制，用于同时捕捉复杂的多级序列内部和序列间的耦合关系。基于该机制，我们提出了一种名为 DeepCN 的新型深度耦合网络，它由一个耦合机制、一个耦合变量表示模块和一个推理模块组成，分别用于同时探索时间序列数据中的多级序列内部和序列间关系、编码多样的变量模式，以及通过单个前向步骤进行预测。在七个真实数据集上进行的大量实验表明，我们提出的 DeepCN 相较于最先进的基准方法具有更出色的性能。

Feb, 2024

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

基于多尺度时空图神经网络（MSGNN），利用传输区域疫情信号并将其整合到多尺度的图形中，通过新设计的图卷积模块挖掘多尺度的疫情模式，实现了新冠肺炎在美国新增病例的准确预测，该方法优于现有技术，并提供了稳定和可解释的预测结果。

Aug, 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

使用多尺度超图转换器（MSHyper）框架，提出了一种更全面的模式交互建模方法，通过引入多尺度超图和超边图来建模高阶模式交互，同时引入三阶段消息传递机制来聚合模式信息和学习不同尺度时间模式之间的交互强度。实验证明，MSHyper 在五个真实世界数据集上取得了最先进的性能，相对于最佳基线方法，在均方误差和平均绝对误差分别平均减少了 8.73% 和 7.15% 的预测误差。

Jan, 2024

该研究提出了一种时序预测模型，MPR-Net，通过卷积和反卷积操作，适应性地分解多尺度历史序列，并基于模式复制的先前知识构建了模式扩展预测方法，由于利用了时间依赖性，MPR-Net 不仅实现了线性时间复杂度，而且使预测过程可解释。该模型在短期和长期预测任务的十多个真实数据集上进行了充分实验，表现出最先进的预测性能以及良好的泛化性和鲁棒性能。

Jul, 2023

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

该研究提出了一种具有线性复杂度的 Context Neural Network 方法，可以有效地为时间序列模型提供和其邻近时间序列相关的上下文见解，从而丰富预测模型，解决全局模型的局限性，并且对于大型数据集具有可计算性可扩展性。

May, 2024