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

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

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

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

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

本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

Mar, 2021

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

本文基于图神经网络与边变换的傅里叶图神经网络，提出一种适应性学习高分辨率变量依赖关系的方法，对多变量时间序列分析与预测具有较高的效率和准确性。

Oct, 2022

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