本研究基于库普曼理论，提出了一种新方法解释时空图神经网络（STGNNs）的动态行为。通过动态模式分解和稀疏非线性动力学识别，成功识别了感染时间和受感染节点等特征，推动了时序图的理论理解与应用。

该文综述了Koopman算子与动态模式分解（DMD）的研究进展，包括结合可训练字典的迭代EDMD算法、神经网络逼近Koopman算子、DMDc方法、Hankel矩阵收敛性分析、FlowDMD算法及子空间DMD，用于非线性系统低维建模与预测。

本文介绍了一种改进的扩展动态模式分解与字典学习方法，用于预测复杂动力学特征系统的时间演化。该方法在不同系统中的性能表现显著优于传统方法，并且与状态空间方法的预测结果相当。