基于图神经网络的时空序列预测结题报告.docVIP

基于图神经网络的时空序列预测结题报告

一、研究背景与问题提出

时空序列数据广泛存在于交通管理、气象预报、能源调度等多个领域，其核心特征是同时包含时间维度的动态演化性与空间维度的关联依赖性。传统时间序列预测方法如ARIMA、LSTM等，往往仅能捕捉数据的时间规律，对空间关联的建模能力不足；而经典图模型如GCN虽能处理空间关系，却难以有效整合时间维度的动态信息。随着物联网技术的普及，时空数据的规模呈指数级增长，数据维度更高、非线性特征更复杂，传统模型在预测精度与效率上逐渐难以满足实际需求。

以城市交通流量预测为例，早高峰时段主干道的拥堵状况不仅与历史流量数据相关，还受到相邻路段、交叉口信号灯配时、周边商圈活动等多重空间因素影响。若仅依赖时间序列模型，无法精准刻画这些空间关联，导致预测结果误差较大；而单一图模型又无法捕捉流量随时间的周期性变化规律。因此，如何构建能够同时精准建模时空双重依赖关系的预测模型，成为当前时空序列分析领域的关键科学问题。

二、相关研究综述

（一）传统时空预测方法

早期时空序列预测主要采用统计模型与机器学习模型结合的方式。统计模型方面，时空自回归移动平均模型（STARMA）通过引入空间权重矩阵，将空间相关性纳入时间序列建模框架，但其假设数据服从线性分布，对非线性时空关系的拟合能力有限。机器学习领域，支持向量机（SVM）、随机森林（RF）等模型被用于时空预测，通过手动