今天，给大家介绍一篇基于图神经网络架构实现多变量时序预测算法MTGNN,它通过图学习模块自动提取变量之间的单向关系，并且可以轻松集成外部知识（如变量属性）。此外，提出了一种新颖的混合跳跃传播层和扩张初始层，以捕捉时间序列中的空间和时间依赖性。图学习、图卷积和时间卷积模块在一个端到端的框架中联合学习。

接下来，我将深入对这篇论文展开全面解读。和以往一样，我会严格依照论文的结构框架，从研究背景、核心论点、实验设计到最终结论，逐一对文章的各个关键部分进行细致剖析 ，力求为大家呈现这篇时间序列预测论文的全貌，挖掘其中的研究价值与创新点。 

1. ABSTRACT

多变量时间序列建模长期以来一直是一个吸引来自经济学、金融学和交通等多个领域研究人员的课题。多变量时间序列预测的一个基本假设是，其变量之间相互依赖，但仔细观察可以发现，现有方法未能充分利用变量对之间的潜在空间依赖性。近年来，图神经网络（GNNs）在处理关系依赖性方面表现出强大的能力。然而，GNN需要明确定义的图结构来进行信息传播，这意味着它们不能直接应用于多变量时间序列，因为其依赖关系通常是未知的。在本文中，提出了一种专门为多变量时间序列数据设计的通用图神经网络框架。本文的方法通过图学习模块自动提取变量之间的单向关系，并且可以轻松集成外部知识（如变量属性）。此外，提出了一种新颖的混合跳跃传播层和扩张初始层，以捕捉时间序列中的空间和时间依赖性。图学习、图卷积和时间卷积模块在一个端到端的框架中联合学习。实验结果表明，提出的模型在4个基准数据集中的3个上优于现有的最先进方法，并在两个提供额外结构信息的交通数据集上与其他方法表现相当。

2. INTRODUCTION

现代社会受益于各种传感器，用于记录温度、价格、交通速度、电力使用以及许多其他形式的数据变化。来自不同传感器的记录时间序列可以形成多变量时间序列数据，并且这些数据之间可能存在关联。例如，每日温度的上升可能会导致电力使用的增加。为了捕捉一组动态变化变量的系统性趋势，多变量时间序列预测问题已经被研究了至少六十年。它在经济学、金融学、生物信息学和交通等领域得到了广泛的应用。

完整文章链接：一文搞懂 MTGNN，图神经网络开启多变量时间序列新玩法