时间序列预测 0.时间序列任务知识地图
我们要进行的Traffic Forecasting（交通预测） 是
Forecasting（预测） 最典型的应用场景之一；
而预测是Artificial Intelligence（人工智能） 分支下
Time Series Tasks（时间序列任务） 的一个分支。
我们要完成交通预测实际上是接触Forecasting（预测）
下图则是我们要完成的任务在知识地图对应的位置。
(这是本人新接触的方向、能力有限，借助资料及AI完成的知识地图构建，知识地图仅供参考)
当然对于时间序列的其他分类和任务我们将在此略过，用到的时候会写对应的文章。
文章目录
- [时间序列预测 0.时间序列任务知识地图](#[时间序列预测] 0.时间序列任务知识地图)
- 前言
- [一、时间序列(Time Series )](#一、时间序列(Time Series ))
-
- [1.1 时间序列解决什么问题？](#1.1 时间序列解决什么问题？)
-
- [1.1.1 预测 Forecasting](#1.1.1 预测 Forecasting)
- [1.1.2 推断 Imputation](#1.1.2 推断 Imputation)
- [1.1.3 异常检测 Anomaly Detection](#1.1.3 异常检测 Anomaly Detection)
- [1.1.4 分类 Classification](#1.1.4 分类 Classification)
- 1.2时间序列数据有什么特殊性？
-
- [1.2.1 欧式空间(Euclidean Space)](#1.2.1 欧式空间(Euclidean Space))
- [1.2.2 非欧式空间(Non-Euclidean Space)](#1.2.2 非欧式空间(Non-Euclidean Space))
- [1.2.3 图卷积(Graph Convolution)](#1.2.3 图卷积(Graph Convolution))
- 二、Forecasting（预测）
-
- [2.1 Forecasting（预测）的分类体系](#2.1 Forecasting（预测）的分类体系)
-
- [2.1.1 按预测时间跨度（Forecast Horizon）](#2.1.1 按预测时间跨度（Forecast Horizon）)
- [2.1.2 按变量数量（Number of Variables）](#2.1.2 按变量数量（Number of Variables）)
- [2.1.3 按输出形式（Output Type）](#2.1.3 按输出形式（Output Type）)
- [2.1.4 按数据结构（Data Structure）](#2.1.4 按数据结构（Data Structure）)
- [2.1.5 按应用领域（Application Domain）](#2.1.5 按应用领域（Application Domain）)
- [2.2 Spatio-Temporal Forecasting（时空预测）](#2.2 Spatio-Temporal Forecasting（时空预测）)
-
- [2.2.1 Time Forecasting（时间预测）](#2.2.1 Time Forecasting（时间预测）)
- [2.2.2 Spatial Forecasting（空间预测）](#2.2.2 Spatial Forecasting（空间预测）)
- [2.2.3 Spatio-Temporal Forecasting（时空预测）](#2.2.3 Spatio-Temporal Forecasting（时空预测）)
- [2.2.4 维度模型](#2.2.4 维度模型)
- [2.3 时空预测模型优化与创新方向](#2.3 时空预测模型优化与创新方向)
- 三、推荐资料
-
- [3.1 基础理论](#3.1 基础理论)
-
- [3.1.1 时间序列基础](#3.1.1 时间序列基础)
- [3.1.2 图神经网络基础](#3.1.2 图神经网络基础)
- [3.2 时空预测经典模型](#3.2 时空预测经典模型)
- [3.3 常用数据集](#3.3 常用数据集)
- [3.4 推荐综述](#3.4 推荐综述)
前言
面对一个未接触的领域，首先要干的事情不是埋头苦干，而是构建知识地图。
结合AI和资料，知道自己目前所在的位置、要完成任务的位置、以及如何完成的路线。
一、时间序列(Time Series )
时间序列（Time Series）就是按照时间顺序排列的数据。
温度或者股价
| 时间 | 温度 | 日期 | 股价 | |
|---|---|---|---|---|
| 8:00 | 22℃ | Day1 | 100 | |
| 9:00 | 23℃ | Day2 | 102 | |
| 10:00 | 25℃ | Day3 | 99 |
或者心电图、EEG脑电、销量、天气、电力负荷、交通流量
全部都是时间序列。
它最重要的特点就是当前数据受到历史数据影响。
例如：今天股票价格 ≈ 昨天价格 × 市场变化，不是独立的。
1.1 时间序列解决什么问题？
主要有四类：预测、推断、异常检测、分类
1.1.1 预测 Forecasting
例如：根据过去30天预测未来7天。包括：股票、天气、电力、交通等预测，这是现在最热门的任务。
过去：1 2 3 4 5
预测：6 7
1.1.2 推断 Imputation
例如：预测缺失值。
20 21 ? 23 24
1.1.3 异常检测 Anomaly Detection
例如：服务器监控
CPU：30 32 31 9595突然暴涨，需要检测。
1.1.4 分类 Classification
例如：一段ECG，判断是不是心脏病。
输入：`0.1 0.3 0.5 0.2 ...`
输出：`正常` 或 `异常`
1.2时间序列数据有什么特殊性？
时间序列是最基本的数据形式之一，广泛存在于各个领域。
现实世界的数据不仅包括规则的欧式空间数据 （如图像、音频），
还包括大量非欧式空间数据（如社交网络、交通路网、分子结构等）。
1.2.1 欧式空间(Euclidean Space)
欧式空间 就是我们最熟悉的坐标空间。
例如：二维平面 (x, y)，三维空间 (x, y, z)，图片。
为什么图片是欧式空间？
因为图片像素排列规则。
□ □ □ □
□ □ □ □
□ □ □ □每个像素都有固定位置，左边是谁、右边是谁，完全固定。
卷积神经网络（Convolutional Neural Network,CNN）为什么适合欧式空间？
CNN利用局部窗口
例如： 3×3 卷积核滑动。
□ □ □
□ □ □
□ □ □因为图片排列规则，所以卷积可以一直滑。
1.2.2 非欧式空间(Non-Euclidean Space)
很多数据不是规则排列。
例如：社交网络
A
/ \
B C
\ /
D没有"第1行 第2列"的概念。
再例如：知识图谱
人 → 公司 → 城市也是图。
还有道路
A------B------C
\
D也是图。
这些都叫 非欧式空间，因为没有规则网格。
为什么CNN不能直接处理？
因为CNN需要 左/右/上/下 这种固定邻域，但是图没有。
例如 A 连接5个人，B 连接2个人，邻居数量不同，卷积核没法滑。
所以提出 图卷积（Graph Convolution）。
1.2.3 图卷积(Graph Convolution)
目的： 把CNN推广到图。
从欧式空间 → 非欧式空间
把卷积思想推广到图。
A
/ \
B CGCN更新A：
不是 3×3卷积，而是把 B、C 的信息聚合。
A' = A + B + C 或者 平均。二、Forecasting（预测）
2.1 Forecasting（预测）的分类体系
Forecasting（预测）是时间序列分析中最核心、最热门的任务。
简单来说，预测 就是利用历史数据来估计未来未知的值。
交通流量预测 = Long-term Forecasting + Multivariate Forecasting+ Spatio-Temporal Forecasting
2.1.1 按预测时间跨度（Forecast Horizon）
text
Forecasting
│
├── Short-term Forecasting（短期预测）
│
└── Long-term Forecasting（长期预测）（1）Short-term Forecasting（短期预测）
预测未来较短时间 内的值，
例如：
- 根据过去24小时的数据，预测未来1小时的值
- 根据过去7天的数据，预测未来1天的值
特点：
- 时间跨度短，数据变化相对平稳
- 通常精度较高
- 对模型的长期记忆能力要求较低
（2）Long-term Forecasting（长期预测）
预测未来较长时间 内的值，
例如：
- 根据过去一年的数据，预测未来十年的趋势
- 根据过去30天的数据，预测未来30天的值
特点：
- 时间跨度长，不确定性大
- 精度通常低于短期预测
- 对模型捕捉长期依赖的能力要求高
目前很多 Transformer 相关的论文都在研究 Long-term Forecasting，
例如：
- Informer：Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
- Autoformer
- FEDformer
- PatchTST
这些模型都被称为 LTSF（Long-Term Time Series Forecasting）长期时间序列预测 模型。
2.1.2 按变量数量（Number of Variables）
text
Forecasting
│
├── Univariate Forecasting（单变量预测）
│
└── Multivariate Forecasting（多变量预测）（1）Univariate Forecasting（单变量预测）
只有一个变量 ，只根据该变量自身的历史值来预测未来。
例如：
时间：1 2 3 4 5 6 ?
温度：20 21 22 23 24 25 ？只有"温度"这一个变量，预测未来的温度。
特点：
- 数据维度低，模型简单
- 无法利用其他相关变量的信息
- 适用于单一指标预测
（2）Multivariate Forecasting（多变量预测）
多个变量一起输入 ，同时预测一个或多个变量的未来值。
例如：
输入：
温度 湿度 风速 气压
↓ ↓ ↓ ↓
预测未来温度或者同时预测多个变量：
输入：温度 湿度 风速
↓
输出：未来温度 未来湿度 未来风速特点：
- 数据维度高，信息更丰富
- 可以捕捉变量之间的相关性
- 现实中 90% 以上的预测任务都是 Multivariate Forecasting
2.1.3 按输出形式（Output Type）
text
Forecasting
│
├── Point Forecasting（点预测）
│
└── Probabilistic Forecasting（概率预测）（1）Point Forecasting（点预测）
直接预测一个确定的值。
例如：
明天温度 = 26℃
输出只是一个具体的数值，没有任何不确定性信息。
特点：
- 简单直观
- 无法表达预测的置信度
- 大多数传统模型（ARIMA、LSTM）默认输出点预测
（2）Probabilistic Forecasting（概率预测）
输出一个概率分布 或置信区间 ，而不是单一数值。
例如：
明天温度：
26℃ 概率 40%
27℃ 概率 30%
28℃ 概率 20%
25℃ 概率 10%或者：
95% 置信区间：25℃, 28℃
特点：
- 提供了不确定性信息
- 对决策更有帮助（尤其是金融、电力、气象领域）
- 近年来越来越受重视
2.1.4 按数据结构（Data Structure）
这是近几年 GNN（图神经网络）兴起后最重要的分类方式。
text
Forecasting
│
├── Time Forecasting（时间预测）
├── Spatial Forecasting（空间预测）
└── Spatio-Temporal Forecasting（时空预测）注意：这里的"时间预测"不是预测"时间"本身，而是指预测对象只有时间维度，没有空间关系。
（1）Time Forecasting（时间预测）
只有时间维度，没有空间关系。
例如：
- 股票价格：昨天 → 今天 → 明天
- 气温变化：昨天 25℃ → 今天 26℃ → 明天 ？℃
这类数据用传统的 LSTM、GRU、Transformer 就可以处理。
（2）Spatial Forecasting（空间预测）
只有空间维度，没有时间变化。
例如：
- 已知城市A、城市B、城市C的地理位置和污染数据，预测城市D的污染程度
- 根据传感器网络的空间分布，预测某个位置的数值
这类数据没有时间动态 ，用 GNN、GCN 就可以处理。
（3）Spatio-Temporal Forecasting（时空预测）
同时包含时间和空间两个维度。
这是目前 GNN + 时间序列 最热门的研究方向。
例如：
- 交通预测：道路网络 + 每个路口随时间变化的流量
- 气象预测：气象站网络 + 每个站点随时间变化的温度/降水
- 疫情传播预测：城市网络 + 每个城市随时间变化的感染人数
这类数据的特点是：
空间：道路 A ------ 道路 B ------ 道路 C（图结构）
+
时间：t1 → t2 → t3 → ...（时间序列）因此必须同时使用：
- 空间模块（GCN / GAT / GraphSAGE） 来捕捉空间依赖
- 时间模块（LSTM / GRU / TCN / Transformer） 来捕捉时间依赖
典型模型：
- STGCN（Spatio-Temporal Graph Convolutional Networks）
- DCRNN（Diffusion Convolutional Recurrent Neural Network）
- Graph WaveNet
- GMAN
- ASTGCN
2.1.5 按应用领域（Application Domain）
直接按场景划分。
text
Forecasting
│
├── Traffic Forecasting（交通预测）
├── Weather Forecasting（天气预报）
├── Energy Forecasting（能源预测）
├── Stock Forecasting（股票预测）
├── Electricity Load Forecasting（电力负荷预测）
├── Air Quality Forecasting（空气质量预测）
├── Sales Forecasting（销量预测）
├── Healthcare Forecasting（医疗预测）
└── ...举例：Traffic Forecasting（交通预测）
交通预测实际上就是：
text
Traffic Forecasting
=
Spatio-Temporal Forecasting
+
Multivariate Forecasting
+
Long-term / Short-term Forecasting一个具体的预测任务可以同时拥有多个标签。
2.2 Spatio-Temporal Forecasting（时空预测）
预测 按照数据结构可分为 三类。
- 时间预测（Time Forecasting）
- 空间预测（Spatial Forecasting）
- 时空预测（Spatio-Temporal Forecasting）
三者最大的区别不是预测目标不同，而是模型所利用的数据结构不同。
- Time Forecasting仅利用时间维度的信息进行建模；
- Spatial Forecasting仅利用空间结构的信息进行建模；
- Spatio-Temporal Forecasting则同时利用时间维度和空间维度的信息，通过联合建模完成预测任务。
三种预测方式之间的关系如下所示。
text
Forecasting
│
┌─────────────┼──────────────────┐
│ │ │
Time Forecasting Spatial Forecasting │
│ │ │
└──────融合(广义) ──────────────┘
│
Spatio-Temporal Forecasting可以发现，时空预测并不是一种完全独立的新预测任务，
而是在时间预测模型基础上，引入空间建模能力，实现时间信息和空间信息的联合学习。
从发展历程来看，时空预测可以看作时间预测与空间预测的融合和扩展（广义） 。
传统的时间序列模型擅长捕捉时间依赖性，但无法处理数据之间的空间拓扑关系；
而图神经网络擅长建模非欧式结构，却缺乏对时间动态的建模能力。
为了同时建模时间和空间依赖性，研究者提出了时间图神经网络（Temporal Graph Neural Networks, TGNN），将时间序列分析与图神经网络相结合，形成时空预测模型。
应用于交通预测、气象预报、疫情传播等时空任务中。
2.2.1 Time Forecasting（时间预测）
Time Forecasting是时间序列预测最基本的形式，其建模对象仅包含时间维度的信息。
模型输入通常为按照时间顺序排列的历史时间序列，模型通过学习历史数据之间的时间依赖关系，建立从历史序列到未来序列的映射关系。其数学形式可表示为：
X t − T : t → f ( ⋅ ) X t + 1 : t + H X_{t-T:t} \xrightarrow{f(\cdot)} X_{t+1:t+H} Xt−T:tf(⋅) Xt+1:t+H
其中：
- X t − T : t X_{t-T:t} Xt−T:t 表示历史时间窗口；
- X t + 1 : t + H X_{t+1:t+H} Xt+1:t+H 表示未来预测窗口；
- f ( ⋅ ) f(\cdot) f(⋅) 表示时间预测模型。
因此，Time Forecasting关注的是如何不断优化映射函数 f ( ⋅ ) f(\cdot) f(⋅)。
近年来时间预测模型的发展基本围绕时间建模能力展开，大致经历了以下几个阶段：
text
统计模型
│
▼
RNN/LSTM/GRU
│
▼
CNN(TCN)
│
▼
Transformer不同模型本质上都是在提高时间维度特征提取能力，即如何更准确地建模历史序列与未来序列之间的时间依赖关系。
由于没有空间关系参与建模，因此时间预测模型不涉及图结构，也不需要图神经网络。
2.2.2 Spatial Forecasting（空间预测）
Spatial Forecasting主要研究数据对象之间的空间关联关系。
与Time Forecasting不同，Spatial Forecasting不关注时间变化，而关注不同对象之间的空间依赖关系（Spatial Dependency）。
空间关系通常可以表示为一个图（Graph）：
G = ( V , E ) G = (V, E) G=(V,E)
其中：
- V V V 表示节点（Node）；
- E E E 表示节点之间的连接关系（Edge）。
图结构可以来源于实际网络，例如道路拓扑、电网拓扑、传感器网络等；也可以由数据之间的相关性自动构建，例如根据距离、相关系数或相似度生成邻接矩阵。
因此，Spatial Forecasting关注的是如何学习图中节点之间的信息传播规律，即：
G → g ( ⋅ ) H G \xrightarrow{g(\cdot)} H Gg(⋅) H
其中：
- G G G 表示输入图；
- H H H 表示空间表示（Spatial Representation）；
- g ( ⋅ ) g(\cdot) g(⋅) 表示空间建模模型。
目前空间建模主要包括两类方法：
（1）基于图神经网络的方法
例如GCN、GAT等，通过邻域聚合（Neighborhood Aggregation）学习节点表示。
（2）基于Transformer的方法
利用空间注意力（Spatial Attention）学习不同节点之间的相关关系。
因此，Spatial Forecasting的核心任务是不断优化空间建模函数 g ( ⋅ ) g(\cdot) g(⋅)。
2.2.3 Spatio-Temporal Forecasting（时空预测）
Spatio-Temporal Forecasting是在时间预测基础上引入空间建模能力形成的一类联合预测模型，可以看作：
Spatio-Temporal Forecasting=Time Forecasting+Spatial Forecasting
这里的"加"并不是简单相加，而是指时间建模与空间建模的联合学习（Joint Learning）。
对于交通流量预测而言，最典型的数据集之一是 PeMS04。该数据集实际上包含两部分信息：
- 历史时间序列数据：可理解为按时间排列的多变量表格（Excel），每一行对应一个时间戳，每一列对应一个传感器节点，每个单元格记录该节点在该时刻的交通流量（或速度、占有率等）。
- 空间图结构数据：由传感器之间的道路连接关系构成，通常表示为邻接矩阵；如果原始数据未提供图结构，也可以依据节点间距离、道路连接关系或时间序列相关性等方式构建图。
因此，时空预测模型的输入可以表示为：
text
历史时间序列（表格）
+
空间图结构（Graph）
│
▼
时空预测模型
│
▼
未来时间序列（表格）更严格地说 ，图结构通常作为模型学习空间依赖的先验信息 ，预测输出主要仍然是未来各节点的时间序列值；空间关系更多体现在模型内部的信息传播过程，而不是预测出一张新的图。因此可将其理解为"利用历史时间序列和空间图结构，共同预测未来各节点的时间序列"。
数学上，可表示为：
( X , G ) → F ( ⋅ ) Y ^ (X, G) \xrightarrow{F(\cdot)} \hat{Y} (X,G)F(⋅) Y^
其中：
- X X X 表示历史时间序列；
- G G G 表示空间图结构；
- Y ^ \hat{Y} Y^ 表示未来时间序列预测结果；
- F ( ⋅ ) F(\cdot) F(⋅) 表示时空预测模型。
因此，时空预测模型的研究重点就在于如何设计更优的联合映射函数 F ( ⋅ ) F(\cdot) F(⋅)。
2.2.4 维度模型
（1）时间维度模型
时间维度模型负责提取历史序列中的时间依赖关系，其研究基本沿用了时间预测的发展路线，目前主要包括三类：
- 基于RNN的方法 ：以 Diffusion Convolutional Recurrent Neural Network 为代表，将GRU等循环神经网络用于建模时间演化过程。
- 基于CNN的方法 ：以 Graph WaveNet 为代表，利用时间卷积（Temporal Convolution）扩大感受野，提高长序列建模能力。
- 基于Transformer的方法 ：以 Graph Multi-Attention Network 为代表，通过时间注意力机制学习长距离时间依赖。
这些模型的目标都是不断提升时间建模能力，即优化时间映射函数。
（2）空间维度模型
空间维度模型负责学习图中节点之间的空间依赖关系，其核心思想是利用图结构进行信息传播和特征聚合。
目前主要包括两类：
- 基于图神经网络的方法：如GCN、GAT等，通过邻域聚合实现空间建模。
- 基于Transformer的方法：利用空间注意力（Spatial Attention）直接学习节点之间的关联关系。
经过空间建模后，可获得各节点的空间特征表示。
（3）时空融合方式
完成时间建模和空间建模后，需要设计融合策略，将二者结合形成最终的时空预测模型。目前主要有三种典型方式：
① 融合式（Coupled）
时间建模与空间建模在同一模块内共同完成，两种信息高度耦合。
代表模型：Diffusion Convolutional Recurrent Neural Network。
② 并联式（Parallel）
时间模块和空间模块分别独立学习特征，最后进行融合。
代表模型：Graph Multi-Attention Network。
③ 串联式（Serial）
时间模块和空间模块依次执行，一个模块的输出作为另一个模块的输入。
代表模型：Spatio-Temporal Graph Convolutional Networks。
这种"时间建模 → 空间建模 → 时空融合"（或相反）的思想，也是目前绝大多数时空图神经网络（STGNN）模型的基本设计范式。这样组织章节，也能够自然过渡到后续对 DCRNN、STGCN、Graph WaveNet、GMAN 等具体模型的介绍。
2.3 时空预测模型优化与创新方向
根据优化对象的不同，可将现有研究归纳为五个方向。
text
时空预测模型研究演进
│
┌─────────────────┼─────────────────┐
│ │ │
时间建模进化 空间建模进化 图结构进化
（从RNN到 （从GCN到 （从固定图到
Transformer） 动态图/Transformer） 自适应学习）
│ │ │
└─────────────────┼─────────────────┘
│
┌───────────┴───────────┐
│ │
多源信息融合 应用场景拓展
（天气/节假日/突发事件） （交通/能源/环境等）（1）时间维度模型优化（Temporal Model Optimization）
优化时间预测模型，提高对短期和长期时间依赖的建模能力，典型模型包括基于RNN的方法（如DCRNN）、基于CNN的方法（如Graph WaveNet）以及基于Transformer的方法（如GMAN）。
（2）空间维度模型优化（Spatial Model Optimization）
现有研究主要采用图神经网络（如GCN、GAT）或基于Transformer的空间注意力机制，对空间关系进行建模，提高模型的空间特征表达能力。
（3）图构建方式优化（Graph Construction Optimization）
研究逐渐由固定图结构向可学习图结构发展，主要包括图结构自动学习、基于语义信息构建邻接矩阵、超图结构构建以及多类型图构建与融合等方向，以获得更加准确的空间关系表示。
（4）外部环境因素融合（External Factors Integration）
实际时空数据通常受到天气、空气质量、节假日及突发事件等外部因素的影响。为了提高模型的预测精度和泛化能力，研究将外部环境信息作为辅助特征，与时空特征共同输入模型进行联合建模。
（5）数据集与应用场景扩展（Dataset and Application Extension）
时空预测模型最初主要应用于交通流量预测，近年来逐渐扩展到更多时空预测场景，包括网约车需求预测、地铁客流预测、充电桩负荷预测、电力负荷预测等。不同应用场景虽然预测对象不同，但均可采用统一的时空预测建模框架，并针对数据特点进行相应的模型设计与优化。
（公有数据集比较卷模型精度，私有数据集更好）
三、推荐资料
text
时间序列基础（LSTM/GRU）
│
▼
Transformer
│
▼
图神经网络（GCN → GraphSAGE → GAT）
│
▼
时空预测经典（DCRNN → STGCN → Graph WaveNet → ASTGCN → GMAN）
│
▼
跟踪最新论文3.1 基础理论
3.1.1 时间序列基础
| 模型 | 论文 | 代码 |
|---|---|---|
| LSTM | Long Short-Term Memory（Hochreiter S, 1997） | - |
| Transformer | Attention Is All You Need（Vaswani A, 2017） | tensor2tensor |
| Informer | Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting（2020） | Informer2020 |
| Autoformer | Autoformer（2021） | Autoformer |
| FEDformer | FEDformer（2022） | FEDformer |
3.1.2 图神经网络基础
| 模型 | 论文 | 代码 |
|---|---|---|
| GCN | Semi-Supervised Classification with Graph Convolutional Networks（Kipf T N, 2017） | gcn |
| GraphSAGE | Inductive Representation Learning on Large Graphs（Hamilton W, 2017） | GraphSAGE |
| GAT | Graph Attention Networks（Velickovic P, 2018） | GAT |
3.2 时空预测经典模型
| 模型 | 论文 | 代码 | 特点 |
|---|---|---|---|
| DCRNN | Diffusion Convolutional Recurrent Neural Network（2017） | DCRNN | 扩散图卷积 + RNN，序列到序列结构 |
| STGCN | Spatio-Temporal Graph Convolutional Networks（2018） | STGCN_IJCAI-18 | 纯卷积结构，训练速度快 |
| ASTGCN | Attention Based Spatial-Temporal Graph Convolutional Networks（AAAI 2019） | ASTGCN-r-pytorch | 引入时空双重注意力 |
| Graph WaveNet | Graph WaveNet（2019） | Graph-WaveNet | 扩张因果卷积 + 自适应图学习，一步式多步预测 |
| GMAN | GMAN（2019） | GMAN | 纯注意力架构，长期预测效果显著 |
3.3 常用数据集
| 数据集 | 节点数 | 时间跨度 | 特点 | 获取方式 |
|---|---|---|---|---|
| METR-LA | 207 | 4个月 | 交通预测最经典的数据集 | DCRNN |
| PeMS-BAY | 325 | 6个月 | 传感器覆盖更广 | DCRNN |
| PeMS04 | 307 | 2个月 | 常用于流量预测 | ASTGCN |
| PeMS08 | 170 | 2个月 | 中小规模，适合快速实验 | ASTGCN |
3.4 推荐综述
| 综述 | 年份 | 论文链接 | 推荐指数 | 侧重点 |
|---|---|---|---|---|
| A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection | 2024 | https://arxiv.org/abs/2307.03759 | ⭐⭐⭐⭐⭐ | 时间序列GNN最全面综述，涵盖预测、分类、补全、异常检测四大任务，重点推荐 |
| Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey | 2023 | https://arxiv.org/abs/2308.10483 | ⭐⭐⭐⭐⭐ | STGNN经典综述，系统总结城市计算中的交通、空气质量、能源等预测任务 |
| A Comprehensive Survey on Graph Neural Networks | 2021 | https://arxiv.org/abs/1901.00596 | ⭐⭐⭐⭐☆ | 图神经网络经典综述，介绍GCN、GAT、GraphSAGE等基础模型 |
| Graph Neural Networks: A Review of Methods and Applications | 2020 | https://arxiv.org/abs/1812.08434 | ⭐⭐⭐⭐☆ | GNN基础理论、模型分类及典型应用综述 |
| Deep Learning for Time Series Forecasting: A Survey | 2020 | https://arxiv.org/abs/2004.13408 | ⭐⭐⭐⭐☆ | 深度学习时间序列预测综述，涵盖RNN、CNN、Transformer等方法 |
| Transformers in Time Series: A Survey | 2023 | https://arxiv.org/abs/2202.07125 | ⭐⭐⭐⭐☆ | Transformer在时间序列预测中的发展与改进路线 |
| Foundation Models for Time Series Analysis: A Tutorial and Survey | 2024 | https://arxiv.org/abs/2403.14735 | ⭐⭐⭐⭐☆ | 时间序列基础模型（Foundation Models）与大模型最新综述 |
| Spatio-Temporal Data Mining: A Survey of Problems and Methods | 2023 | https://arxiv.org/abs/2301.10594 | ⭐⭐⭐⭐☆ | 时空数据挖掘基础综述，介绍时空数据表示、预测与分析方法 |
推荐阅读顺序
- Deep Learning for Time Series Forecasting: A Survey ------ 建立时间序列预测基础，了解RNN、CNN、Transformer等时间建模方法。
- A Comprehensive Survey on Graph Neural Networks ------ 学习图神经网络基础，包括GCN、GraphSAGE、GAT、MPNN等经典模型。
- A Survey on Graph Neural Networks for Time Series ------ 重点阅读，系统理解GNN在时间序列预测、分类、补全和异常检测中的应用，是连接时间序列与图神经网络的重要综述。
- Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing ------ 学习STGNN的整体框架、时空建模方式及交通预测、空气质量预测、电力预测等典型应用。
- Transformers in Time Series: A Survey ------ 深入了解Transformer在时间序列预测中的发展，为学习GMAN、STAEformer等模型奠定基础。
- Foundation Models for Time Series Analysis ------ 了解时间序列基础模型和大模型的发展趋势，适合作为进一步研究的参考。