直接开挂！“GNN+时序预测”组合，轻松发表高质量论文！

GNN，即图神经网络（Graph Neural Network），是一种基于图结构的深度学习模型，专门用于处理图数据。在时序预测领域，通过合理构建和应用图结构，GNN能有效捕捉时空数据中的复杂依赖关系，轻松提高预测的准确性。

作为一种新兴的研究领域，时间序列GNN具有广泛的应用前景，它可以应用于各种实际问题，如股票价格预测、交通流量预测、电力需求预测等。GNN+时序预测研究热度高涨，可参考的创新方案和可挖掘的创新点自然也比较多，容易发表高质量的论文！

为了方便大家了解GNN+时序预测，小编整理了【GNN+时序预测】相关论文。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 GNN时序 即可全部领取

Deep Coupling Network For Multivariate Time Series Forecasting

文章解析：

多变量时间序列（MTS）预测在许多实际应用中非常重要。为了提高预测的准确性，需要同时考虑时间序列数据中的内部和外部关系。然而，之前的研究通常将这些关系分开处理，忽视了数据中更复杂的交互，这可能会降低预测的准确性。

为了解决这个问题，本文提出了一种新方法，叫做DeepCN，它能够同时捕捉内部和外部的复杂关系。

DeepCN包含一个机制，专门用于探索这些关系，还有一个模块用来处理不同的变量模式，并且能够快速进行预测。经过在多个真实数据集上的测试，本文的DeepCN表现优于其他先进的方法。

创新点：

1.深度耦合机制：DeepCN模型通过耦合机制探索时间序列数据中不同时间滞后下的多样化和层次化耦合，同时保持线性计算复杂度。

2.互信息视角：文章从互信息的角度重新审视时间序列数据中的关系，提出了基于互信息的分析框架，以捕捉复杂的多元关系。

3.多阶耦合：DeepCN能够同时捕捉一阶、二阶乃至更高阶的序列内部和序列间的耦合关系，提高了预测的准确性。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 GNN时序 即可全部领取

FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective

文章解析：

本文提出了一种新的图神经网络模型——FourierGNN，用于从纯图的角度重新思考多元时间序列（MTS）预测问题。

文章指出，传统的图神经网络（如GCN和GAT）在处理复杂图结构和优化隐藏节点表示时存在计算复杂度高和优化难度大的问题。因此，FourierGNN通过在傅里叶空间中进行操作，有效提高了计算效率和预测精度。

创新点：

1.纯图视角：将多元时间序列数据视为超变图（hypervariate graph），直接在图上构建并处理时间序列预测问题，无需预先定义图结构。

2.傅里叶空间操作：利用离散傅里叶变换（DFT）和逆离散傅里叶变换（IDFT），在傅里叶空间中进行图卷积操作，大大降低了计算复杂度。

3.高效递归乘法：核心操作为递归乘法与非线性激活函数的组合，等效于图结构上的多阶卷积，能够有效捕捉节点间的复杂时空依赖关系。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 GNN时序 即可全部领取

Enhancing Time Series Analysis with GNN Graph Classification Models

文章解析：

本文探讨了GNN图分类模型在时间序列数据分析中的潜力，提出了一种新颖的方法论应用。

挑战了GNN图分类模型仅应用于传统领域的观念，尝试将其应用于时间序列数据，以探索图结构数据的深层次模式和动态变化。

创新点：

1.应用领域的扩展：首次将GNN图分类模型用于时间序列数据分析，特别是在气候变化和脑电图（EEG）信号等领域，展示了其多功能性和广泛的适用性。

2.图结构的构建：提出了一种创新的方法，通过计算时间序列数据中的相似度矩阵并转换为图结构，以便GNN模型能够捕获数据中的时间相关性和复杂关系。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 GNN时序 即可全部领取