【报告内容】

汇报人：刘玉珠

汇报单位：河海大学

主题：《Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

(1) 现有的GNN方法在很大程度上依赖于预定义的图结构以进行时空序列预测。在大多数情况下，多元时间序列没有明确的图结构。变量之间的关系必须从数据中发现，而不是作为基础事实知识提供。

(2) 即使有预定义的图结构，但大多数GNN方法仅专注于消息传递，而忽略了图结构不是最佳的，应该在训练期间进行更新的事实，所以关键问题是如何在端到端框架中同时学习图结构和时间序列的GNN。

2.相关创新方案

(1) 论文中针对多变量时序预测问题提出了一个通用的图神经网络框架 MTGNN。首先可以通过 graph learning 模块学习到变量间的单向关系构图，然后通过 graph convolution 模块和 temporal convolution 模块来捕获时间序列间的时空依赖特征，此外这三个模型可以端到端地进行联合训练。

(2) MTGNN 算法首先将节点分为多个组，然后每个组中训练得到节点间的关系，最后综合考虑空间关系。论文中还提到了使用curriculum learning对模型进行优化，主要思想就是先预测简单 1 步的值，等待模型效果稳定后再预测多步的值.

3.实验总结

（1）文中将 MTGNN 与其他多变量时间序列模型进行了比较。总的来说， MTGNN 在太阳能、交通和电力数据方面几乎在所有范围内都取得了最先进的结果,特别是在流量数据方面，。

（2）文中将 MTGNN 与其他时空图神经网络模型进行了比较。MTGNN 的意义在于：它无需使用预定义图即可实现与最先进的时空图神经网络相当的性能，

（3）文中对 METR-LA 数据进行了消融研究，以验证有助于改善作者提议的模型结果的关键组成部分的有效性。图形卷积模块的引入显著改善了结果,混合跳跃的效果也是显而易见的，课程学习策略被证明是有效的。

4.未来工作

继续研究图神经网络在处理各种非结构数据方面的应用

报告时间：2024年09月20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)