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相关性。实验结果表明，该模型在基准数据集上优于现有方法，并在提供额外结构信息的交通数据集上表现相当。

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，采用图学习模块提取变量之间的关系，同时运用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上表现优异，并在两个交通数据集上实现了与其他方法相当的性能。

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，采用图学习模块提取变量之间的关系，同时运用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上优于现有方法，并在两个交通数据集上实现了相当的性能。