Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting

多变量时间序列(MTS)预测在智能应用的自动化和优化中发挥着重要作用。这是一个具有挑战性的任务，因为我们需要考虑复杂的变量内依赖关系和变量间依赖关系。现有的工作只能通过单个变量间依赖关系来学习时间模式。然而，在现实世界的许多MTS中存在多尺度时间模式，单一的变量间依赖使得模型更倾向于学习一种突出且共享的时间模式。在本文中，我们提出了一个多尺度自适应图神经网络(MAGNN)来解决上述问题。MAGNN利用多尺度金字塔网络在不同的时间尺度上保持潜在的时间依赖性。由于变量间依赖关系在不同的时间尺度下可能是不同的，因此设计了一个自适应图学习模块来推断特定于尺度的变量间依赖关系，而不需要预先定义先验。针对多尺度特征表示和特定尺度的变量间依赖关系，引入多尺度时间图神经网络对变量内依赖关系和变量间依赖关系进行联合建模。然后，我们开发了一个尺度融合模块，有效地促进了不同时间尺度的协作，并自动捕获贡献的时间模式的重要性。在六个真实数据集上的实验表明，MAGNN在各种设置下都优于最先进的方法

总结说：单个变量中的时间依赖关系  多个变量间的变量依赖关系。由于不同粒度下多变量之间的依赖关系不同，文中使用了自适应的图学习模块。三个步骤，一个是利用multiple scale pyramid network 将时间序列按照时间粒度分解成不同的层次。二是建立每个粒度上的时间序列模型，主要利用图神经网络。三是融合模型，主要考虑不同粒度层上的图神经网络，以及跨层的依赖关系。