SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting

时间序列预测对我们的日常活动至关重要，而精确建模多个时间序列之间的复杂相关性和共享模式对于提高预测性能至关重要。空间-时间图神经网络（STGNN）被广泛应用于多元时间序列预测任务中，并因其能够模拟底层复杂的空间和时间依赖关系而在多个实际数据集上取得了有希望的性能。然而，现有的研究主要集中在仅包含数百个传感器的数据集上，因为空间-时间GNN的计算成本和内存成本较高。当应用于更大的数据集时，这些方法无法捕捉底层复杂的空间依赖关系，表现出有限的可扩展性和性能。为此，我们提出了一个可扩展的自适应图扩散预测网络（SAGDFN），用于捕捉大规模多元时间序列的复杂空间-时间相关性，从而在多元时间序列预测任务中表现出卓越的性能。所提出的SAGDFN可扩展到数千个节点的数据集，而无需先前了解空间相关性。大量实验表明，SAGDFN在一个207个节点的实际数据集上达到了与最先进的基线模型相当的性能，并在三个2000个节点的实际数据集上显著优于所有最先进的基线模型。

本论文试图解决大规模多元时间序列预测任务中，现有方法在处理成千上万个节点的数据集时存在的计算和内存成本高、难以捕捉空间依赖关系等问题。

论文提出了一种可扩展的自适应图扩散预测网络（SAGDFN），通过图扩散算法和自适应邻域选择机制，捕捉大规模多元时间序列数据集的复杂时空相关性。

论文在多个真实数据集上验证了SAGDFN的性能，结果表明SAGDFN在处理2000个节点的数据集时，性能优于所有现有的基线方法。此外，论文还开源了代码。

最近的相关研究包括：《Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition》、《Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting》等。