本研究提出了一种预测梯度压缩方法，通过利用局部梯度的时间相关性，降低分布式学习中的通信成本，并确保收敛性和性能提升。

该研究提出了一种面向多变量时间序列数据的图神经网络框架，通过图学习模块提取变量之间的关系，并利用混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性。实验结果表明，该模型在基准数据集上的性能优于现有方法，并在提供额外结构信息的交通数据集上表现相当。