基于动态图神经网络的时空预测研究综述.docVIP

基于动态图神经网络的时空预测研究综述

时空数据广泛存在于交通、气象、环境监测、城市计算等诸多领域，其同时蕴含时间维度的演化规律与空间维度的关联特征，对这类数据进行精准预测是支撑智能决策的核心技术之一。传统时空预测方法多依赖静态图结构假设，即预设节点间的空间关联关系固定不变，但现实场景中节点交互具有显著的动态性：交通网络中不同时段路段的拥堵传播路径会随流量变化发生偏移，气象系统中季风、气旋的移动会改变不同区域的气候关联强度，社交网络中用户的互动关系也会随时间动态演化。静态图结构无法捕捉这类动态关联特征，导致模型在复杂时空场景下的预测性能受限，动态图神经网络（DynamicGraphNeuralNetwork,DGNN）的出现为解决这一问题提供了新的技术路径，其通过动态建模节点间的关联关系，实现了对时空数据中动态演化规律的精准刻画。

动态图神经网络时空预测的核心建模框架

动态图神经网络时空预测模型的核心目标是同时捕捉时空数据的时间演化模式与动态空间关联关系，其框架通常包含动态图构建模块、时空特征提取模块、预测输出模块三个核心组成部分，不同模块的设计差异决定了模型的适用场景与性能表现。

动态图构建是动态图神经网络区别于静态图模型的核心环节，目前主流的构建方式可以分为基于先验知识的动态图、基于数据驱动的自适应动态图两大类。基于先验知识的动态图通常利用领域已知的动态规则定义节点关联，