基于自适应GCN与Time-Mixing MLP的多变量时间序列预测模型.pdfVIP

第42卷第2期黑龙江大学自然科学学报Vol.42No.2

2025年4月JOURNALOFNATURALSCIENCEOFHEILONGJIANGUNIVERSITYApril,2025

D0I:10.13482/j.issn1001-7011.2025.02.206投稿网址：

基于自适应GCN与Time-Mixing

gMLP的多变量

时间序列预测模型

徐猛猛，吴涛，李振龙

（安徽大学数学科学学院，合肥230601）

摘要：为了更好地处理多变量时间序列中变量交互和尺度交互，提出了多变量时间序列预测模

型自适应图卷积网络一时间混合多层感知机（Adaptivegraphconvolutionalnetwork-time-mixing

multi-layerperceptron，AGCN-Mixing）。该模型在变量维度上，利用自适应图卷积网络进行变量交

互，有效提取序列间的隐藏特征和模式；在时间维度上，将时间序列下采样为子时间序列，并利用时

间混合多层感知机进行多尺度交互，有效捕获序列内的复杂交互关系。在6个公开数据集上进行

了实验，结果显示，与现有基准模型相比，AGCN-Mixing的均方误差（Meansquarederror，MSE）比多

变量时间序列图神经网络（Multivariatetimeseriesgraphneuralnetwork，MTGNN）、频率增强分解

Transformer分解线性层网络

（Decompositionlinearlayernetwork，DLinear）和基于时间二维变化网络（Time-basedtwodimensional

variationnetwork，TimesNet）模型分别平均减少了20.50%、15.64%、15.44%和7.50%，表明

AGCN-Mixing有效提升了预测精度。

关键词：多变量时间序列预测；图卷积网络；时间混合多层感知机；下采样

中图分类号：TP183文献标志码：A文章编号：1001-7011(2025)02-0147-07

Multivariatetimeseriesforecastingmodelbasedon

adaptiveGCNandTime-MixingMLP

XUMengmeng，WUTao,LIZhenlong

(SchoolofMathematicalSciences,AnhuiUniversity,Hefei230601,China)

Abstract:Tobetterhandlevariableinteractionsandscaleinteractionsinmultivariatetimeseries,a

multivariatetimeseriesforecastingmodelbasedonadaptivegraphconvolutionalnetworkandtime-mixing

multi-layerperceptron

adaptivegraphconvolutionalnetworktocapturevariableinteractions,effectivelyextractinghidden

featuresandpatternsacrosssequences.Inthetemporaldimension,th