时态图中的节点特征预测的在线算法
内容提要
该文综述时空数据建模与预测框架，涵盖自激励点过程、图循环神经网络、动态图结构及预训练模型等方法，用于犯罪、交通等稀疏时空数据预测。研究强调捕捉动态时空依赖、融合全局与局部信息，并提升多尺度表示与计算效率，在多个真实数据集上取得先进性能。
延伸解读
方法演进：从点过程到图神经网络
文章梳理了时空预测方法的演进脉络。早期工作将自激励点过程与图循环神经网络耦合，针对犯罪、交通等稀疏数据实现实时预测。随后，研究转向利用随机循环神经网络和不同幂次的图邻接矩阵进行多尺度表示，在保持竞争力的同时降低计算负担。动态时空模型和GraphS4mer等进一步通过结构化潜在动态组件或动态演化图结构来捕捉时空依赖，体现了从静态到动态、从单一到多尺度的趋势。
技术焦点：动态依赖与全局局部融合
多个研究强调捕捉动态时空依赖的重要性。例如，MSTFGRN通过数据驱动的加权邻接矩阵弥补预定义矩阵的不足，并利用双向时空融合和全局注意机制同时捕获全局与局部依赖。另一项工作则专门理解全局性与局部性在基于图的时空预测中的相互作用，并论证了可训练节点嵌入如何帮助模型适应每个时间序列的规律。这些努力共同指向一个核心：在动态图中平衡全局信息与局部模式。
效率提升：图重构与预训练策略
为提升计算效率，研究者尝试重新定义问题结构。FC-STGNN将传感器相关性视为不同时间戳下的相关性，全面建模时空依赖。更激进的是，将多元时间序列预测重构为超变量图上的预测，并利用傅里叶图神经网络在傅里叶空间执行矩阵乘法，从而降低复杂性、减少参数并提高效率。此外，STEP与STGNN结合的预训练框架通过长期历史数据提供上下文信息，显著提升预测准确性，为稀疏数据场景提供了新思路。
Q&A
时空数据建模和预测的通用框架是什么？
该框架由自激励点过程和图结构循环神经网络无缝耦合组成，重点关注空间和时间都稀疏的数据，能实现更精准的实时预测，在犯罪和交通预测上效果良好。
如何降低时空预测模型的计算负担？
一种可扩展的体系结构利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，在保证结果竞争力的同时大大降低了计算负担。
MSTFGRN模型在交通预测中有什么创新？
MSTFGRN提出了一种数据驱动的加权邻接矩阵生成方法，弥补预定义邻接矩阵无法反映实时空依赖性的缺陷；通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系；并在空时融合模块中整合全局注意机制以同时捕获全局时空依赖性。
GraphS4mer模型是如何进行时空建模的？
GraphS4mer是一种基于图的神经网络模型，用于对多变量信号进行时空建模，通过学习动态演化的图结构来捕捉数据中的空间和时间相关性，并在三个不同任务中测试，性能优于其它模型。
预训练框架STEP与STGNN结合有什么优势？
该预训练框架将可扩展时间序列预训练模型（STEP）与空间-时间图神经网络（STGNN）相结合，通过长期历史时间序列数据的预处理提供上下文信息，显著提高预测准确性。
FourierGNN如何实现高效的多变量时间序列预测？
FourierGNN将多元时间序列预测重新定义为在超变量图上的预测，超变量图以滑动窗口作为时空全连接图，统一考虑时空动态；并在傅里叶空间执行矩阵乘法，实现了更低的复杂性、更高的效率和较少参数，从而取得卓越的预测性能。
