【报告内容】

汇报人：张子牧

汇报单位：河海大学

主题：TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting

1、Introduction

2、Method

3、Experiment

4、Conclusion

4、Conclusion

【报告总结】

1、待解决的问题描述

多变量时间序列预测既要捕捉每个变量自身的时间演化规律，也要识别变量之间不断变化的依赖关系。现有三类策略各有明显局限：

1）通道独立（CI）方法仅使用单个通道的历史信息，鲁棒但会丢失有价值的变量协同信息。

2）通道依赖（CD）方法无差别融合全部通道关系，虽然信息更充分，却容易引入冗余或虚假依赖，造成噪声、过拟合和泛化能力下降。

3）通道聚类（CC）方法依据完整时间序列的全局相似性进行分组，粒度仍然过粗，无法灵活刻画局部时段中关系的出现、消失或反转。

由此形成的核心研究问题是：如何在补丁级别自适应识别并保留有效的时间、空间及时空依赖，同时过滤与当前时间片无关的关系。

2.相关创新方案

论文提出基于图神经网络的 TimeFilter，由以下几个核心模块组成：

1）将每个通道划分为不重叠的时间补丁，以“通道×补丁”为图节点，通过多头投影相似度与 k 近邻方法构建空间—时间图。

2）把每个补丁的局部邻域划分为时间、空间和时空三类关系，并分别配置过滤专家；利用带噪声门控的 MoE 路由计算专家置信度。

3）采用 Top-p 机制为不同补丁动态选择不同数量、不同类型的专家，不要求所有补丁使用固定数量的过滤器，从而删除冗余边并保留关键连接。

4）将过滤后的局部稀疏图重新合并，通过 GNN 聚合邻域信息，再结合残差连接与线性投影生成预测结果。

5）总损失由预测 MSE、动态路由损失和专家重要性损失组成，用于提高路由置信度，并避免模型长期只选择单一专家。

与传统方法相比，TimeFilter 的关键创新是把“通道级粗粒度分组”推进为“补丁级细粒度依赖过滤”，使依赖建模可以随通道、时间片和数据特性动态变化。

3.实验总结

实验覆盖 13 个真实数据集，包括 9 个长期预测数据集和 4 个短期 PEMS 数据集，应用领域涵盖气象、电力、交通、太阳能和气候。在固定输入长度 96 的长期预测中，相比次优模型 Leddam，TimeFilter 的平均 MSE 和 MAE 分别降低 4.48% 和 2.23%。与 Leddam 的 Wilcoxon 检验得到 p=4.66×10⁻¹⁰，说明性能提升在 99% 置信水平下具有统计显著性；全部实验均重复三次。在四个大型数据集上搜索最优历史窗口后，相比 DUET，MSE/MAE 分别降低 5.34%/1.40%；相比 CCM，分别降低 6.89%/3.69%。在全部 4 个短期 PEMS 数据集上取得最佳结果。PEMS08 相比 DUET 的 MSE/MAE 分别降低 13.54%/3.13%；PEMS07 相比 SOFTS 分别降低 5.33%/1.73%。

补丁级过滤持续优于 Top-K、随机过滤、区域阈值、通道级过滤和不使用过滤的变体；动态路由和负载均衡损失也均有实际贡献。不同数据集会形成不同的过滤专家分布，表明模型能适应差异化依赖结构；在多种历史窗口下仍保持领先。当补丁长度随输入窗口调整时，显存占用与推理效率基本稳定；在 ETTm2 和 Traffic 的效率比较中，综合表现优于所比较的 Transformer、CNN 和 GNN 模型。

4.未来工作

结合本文的方法设计与实验边界，可在以下方面进一步探索：

1）自动学习补丁长度、近邻比例和 Top-p等超参数，减少针对不同数据集的人工搜索；

2）在更多超高维数据与真实在线系统中评估可扩展性、实时性和长期稳定性；

3）提升过滤结果的可解释性，分析被保留或删除的依赖是否对应真实物理关系或因果机制。

报告时间：2026年08月14日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)