大规模光伏衰减分析的并行友好时空图学习
内容提要
该文综述时空数据建模与预测研究，涵盖自激励点过程与图循环网络、STEP预训练框架、多因素时空图分解学习、时空掩码自编码器、股票趋势图表示学习、空时图散射变换、光伏预测MATNet、电力系统电压稳定评估Transformer及交叉时空注意力流量预测，显著提升预测精度与鲁棒性。
延伸解读
时空预测方法演进：从点过程到图神经网络
文章梳理了时空数据建模的多个方向，包括自激励点过程与图循环网络的耦合、STEP预训练框架、时空图分解学习等。这些方法针对空间和时间稀疏的数据，试图提升实时预测精度。从犯罪、交通到光伏、电力系统，应用场景不断扩展，反映出该领域从通用框架向垂直领域深入的趋势。
预训练与自监督学习在时空领域的兴起
STEP框架和时空掩码自编码器代表了预训练思想在时空预测中的落地。通过长期历史数据预训练，模型能获取上下文信息，再结合下游任务微调，显著提高准确性。这种范式降低了对大量标注数据的依赖，尤其适合交通、旅行规划等数据丰富但标注昂贵的场景。
电力系统电压稳定评估：应对类别不平衡与噪声
针对短期电压稳定评估中失稳样本稀少导致的类别不平衡问题，文章介绍了基于Transformer的StaaT方法，并利用CWGAN-GP生成合成数据以平衡训练集。在IEEE 39节点系统上，该方法在100:1不平衡和噪声环境下仍保持鲁棒性，且适应可再生能源渗透，为实际电力系统评估提供了可行方案。
多因素时空预测与可解释性探索
时空图分解学习（STGDL）将原始图结构分解为对应不同因素的子图，分别学习局部时空数据再整合预测。实验表明，该框架能平均降低多种时空模型预测误差最多35.36%，并展现出可解释性潜力。这提示读者，在多因素交织的复杂系统中，分解建模有助于提升精度并理解因素影响。
Q&A
时空数据建模中，如何处理空间和时间都稀疏的数据？
该框架由自激励点过程和图结构循环神经网络无缝耦合，实现了更精准的实时预测，在犯罪和交通预测中效果良好。
STEP预训练框架如何提升时空预测的准确性？
STEP将可扩展时间序列预训练模型与空间-时间图神经网络结合，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。
多因素时空预测任务中，STGDL框架是如何工作的？
STGDL包含自动图分解模块，将原始图结构分解为对应不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据并整合为最终预测。实验表明平均减少预测误差最多35.36%。
时空掩码自编码器在交通管理和旅行规划中有什么应用？
该研究提出了融入下游基线模型的时空预训练框架，包括时空掩码自编码器和自适应掩码策略，通过学习时空依赖关系和不同关系的建模，在交通管理和旅行规划方面取得显著效果。
如何利用图表示学习预测股票趋势？
该方法通过生成动态的多关系股票图建模股票间复杂的时变关系，然后通过随机多关系扩散过程改进初始图，并实现并行保留的解耦表示学习方案获取最终图表示。在纳斯达克、纽交所和上交所的真实数据集上，预测下一个交易日股票趋势方面持续优于现有技术基线模型。
空时图散射变换（ST-GST）有什么特点和优势？
ST-GST将传统散射变换扩展到空时领域，通过使用空时图小波和非线性激活函数的迭代应用对空时数据进行分析，不需要训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，实验表明其性能优于空时图卷积网络。
MATNet模型如何提高光伏发电预测的准确性？
MATNet是一种基于自注意力转换器的混合方法，用于预测多元多步骤日前光伏发电量，有效结合了AI模型与基于物理知识的模型，从而提高光伏预测的准确性。
电力系统短期电压稳定性评估中，如何处理类别不平衡问题？
该研究提出基于Transformer的StaaT分类模型，并采用带有梯度惩罚的条件Wasserstein生成对抗网络（CWGAN-GP）生成合成数据，创建平衡的训练集，同时实施半监督聚类学习提高聚类质量。在IEEE 39节点测试系统上，方法在类别不平衡100:1和噪声环境下具有鲁棒性。
交叉空间时间注意力机制在流量预测中表现如何？
该论文提出基于自适应图形时空网络和Transformer的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。
