在时序预测领域，通过合理构建和应用图结构，GNN能有效捕捉时空数据中的复杂依赖关系，轻松提高预测的准确性。因此GNN+时序预测在学术界和工业界都广受欢迎。

最近这个方向出现了很多效果很好的研究，比如GraFITi模型，利用GNN来预测不规则采样的时间序列数据，预测准确性超越SOTA，运行时间最高减少了5倍。再比如GinAR，即使在90%的变量缺失的情况下，仍然能取得了最佳成果。

可见GNN+时序预测研究热度高涨，可参考的创新方案和可挖掘的创新点自然也比较多，容易发表高质量的论文，想投顶会给自己加码的同学可以考虑。

这里为了帮助各位快速了解这个方向目前的最新动态，我整理好了9篇GNN+时序预测今年最新的论文给各位作参考，代码基本都有。

论文原文+开源代码需要的同学看文末

GraFITi: Graphs for Forecasting Irregularly Sampled Time Series

方法：论文提出了一种基于图的模型GraFITi，用于预测具有缺失值的不规则采样时间序列（IMTS），通过将时间序列表示为稀疏结构图，并使用基于注意力的架构学习图中节点和边之间的交互来解决这一问题。

创新点：

• 提出了一种新颖的模型GraFITi，它可以利用任何图神经网络来为IMTS执行时间序列预测。

• 使用基于注意力机制的架构来学习图中节点和边之间的相互作用。

• 引入了一种新颖的表示方法，将具有缺失值的非规则采样时间序列（IMTS）表示为稀疏二分图，即稀疏结构图，能够有效处理时间序列观测空间中的缺失值。

GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing

方法：论文提出了一个名为GinAR的新型端到端多变量时间序列预测模型，它特别适用于处理变量缺失的情况。GinAR结合了GNN和时间序列预测技术，通过两个关键组件——插值注意力和自适应图卷积——来解决在历史数据中存在变量缺失时如何准确预测未来值的问题。

创新点：

• 提出插值注意力和自适应图卷积，用于替代现有模型中的全连接层，以解决错误的时空依赖性和错误积累的问题。

• 提出了一种基于端到端框架的图插值注意力递归网络，可以同时恢复所有缺失变量、纠正时空依赖性并预测所有变量的未来值。

Learning Time-aware Graph Structures for Spatially Correlated Time Series Forecasting

方法：本文提出了一种新的方法，称为TGCRN，用于解决空间相关时间序列的时空预测问题。该方法通过学习具有趋势和周期性的动态空间相关性的图结构，有效地捕捉了空间和时间的依赖关系。

创新点：

• 提出了一种新颖的时间感知图结构学习方法，通过在高维空间中测量节点和时间表示之间的交互来提取时间感知的时间序列之间的相关性。

• 提出了一种基于图卷积的门控循环单元来同时捕捉空间和时间依赖关系，并学习到时间感知和节点特定的模式。

• 提出了一种统一的框架，将TagSL和GCGRU结合在编码器-解码器结构中，用于多步空间-时间预测。

ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks

方法：论文介绍了一种名为ForecastGrapher的框架，将多元时间序列预测重新概念化为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵以及增强GNN的表达能力来捕捉复杂的时间动态和跨系列相关性，实验证明它在多元时间序列预测领域超过了其他强基线和领先技术。

创新点：

• 时间序列嵌入：使用线性模型将时间序列的时间动态集成到节点嵌入中，以准确反映个体时间序列的时间变化。

• 表达能力：通过在节点聚合之前，在特征维度上使用具有不同核长度的一维卷积层，可以有效地使节点特征的分布多样化，从而显著提高预测准确性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“GNN时序预测”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏