MSGNet：学习多尺度跨序列相关性用于多元时间序列预测
内容提要
该文综述了多种多元时间序列预测方法，包括：MAGNN采用多尺度自适应图神经网络捕捉变量内与跨变量相关性；MSGNN结合多尺度时空图卷积用于疫情预测；另有图学习框架联合建模时空相关性、MPR-Net多尺度分解、结合注意力与分层分解的图神经网络、记忆时序网络、FCDNet频率依赖提取、MTPNet多尺度Transformer及TimeGNN动态图表示等方法，均在基准数据集上优于现有方法。
延伸解读
多尺度建模成为主流思路
文中列举的MAGNN、MSGNN、MPR-Net、MTPNet等方法，均强调多尺度结构：或通过金字塔网络、或通过卷积与反卷积分解、或通过多尺度Transformer捕捉不同时间跨度上的依赖。这说明在多元时间序列预测中，单一尺度难以兼顾短期波动与长期趋势，多尺度分解与融合已成为提升性能的常见设计方向。
图结构用于刻画变量间相关性
MAGNN的自适应图学习、MSGNN的时空图卷积、TimeGNN的动态图表示，以及联合建模时空相关性的图学习框架，都把变量视为节点并学习其关联。与固定图不同，自适应或动态图能随数据演变调整连接，更适合变量关系不稳定的场景。但这类方法的效果依赖图学习模块的质量，解释性也需结合具体设计评估。
效率与可解释性被单独强调
MPR-Net凭借模式复制实现线性时间复杂度并保持预测过程可解释；TimeGNN则宣称推理时间比先进图方法快4到80倍；基于记忆的时序网络也以较强可解释性为目标。这表明除精度外，计算效率和结果可解释性正成为方法比较的重要维度，尤其对需要快速推理或业务解释的应用更有参考价值。
性能提升需结合数据集看待
文中各方法多在基准数据集上报告优于现有方法，例如FCDNet平均改进MAE 6.82%、RMSE 4.98%、MAPE 4.91%，分层分解模型长期预测MSE减少23%。这些数字来自各自实验设定，跨方法直接比较并不严谨。读者应关注其评估数据集、预测步长和基线选择，而非仅看提升幅度。
Q&A
MAGNN 是如何处理多元时间序列中的变量内和跨变量相关性的？
MAGNN 通过多尺度金字塔网络和自适应图学习模块，以及尺度级融合模块，来捕捉不同时间尺度上的内部变量相关性和跨变量相关性，从而更好地处理多元时间序列预测。
MSGNN 在疫情预测中有什么优势？
MSGNN 利用多尺度时空图神经网络，将传输区域疫情信号整合到多尺度图中，通过新设计的图卷积模块挖掘多尺度疫情模式，实现了对美国新冠肺炎新增病例的准确预测，优于现有技术，并提供稳定和可解释的预测结果。
MPR-Net 如何实现可解释的时间序列预测？
MPR-Net 通过卷积和反卷积操作自适应地分解多尺度历史序列，并基于模式复制的先前知识构建模式扩展预测方法，利用时间依赖性，不仅实现线性时间复杂度，还使预测过程可解释。
FCDNet 在多元时间序列预测中取得了怎样的性能改进？
FCDNet 通过两个轻量级依赖构造器从多层频率模式中自适应提取长期和短期依赖信息，克服了先前方法的限制，平均改进了 MAE 的 6.82%、RMSE 的 4.98% 和 MAPE 的 4.91%。
MTPNet 是如何利用多尺度 Transformer 进行时间序列预测的？
MTPNet 引入了不变量嵌入技术捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度，并采用多尺度 Transformer 金字塔网络有效捕捉多个不受约束尺度上的时间依赖，在九个基准数据集上优于最新先进方法。
TimeGNN 在推理速度上相比其他图方法有什么优势？
TimeGNN 学习动态时间图表示，能够捕捉多个系列的相关性和交互模式的演变，在预测性能上实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
