动态多周期时空图神经网络在多变量时间序列预测中的应用

《Engineering Applications of Artificial Intelligence》：Dynamic multi-periodic spatio-temporal graph neural network for multivariate time series forecasting

本文提出动态多周期时空图神经网络（DM-PSTGNN），通过FFT动态提取周期特征，构建动态时空图，并采用纯图建模范式统一捕捉时空依赖，解决固定窗口、分离处理和静态空间关系问题。

　　
现有时空图神经网络（GNN）模型在处理复杂时序数据时面临三大核心挑战。首先，传统方法采用固定长度时间窗口进行建模，这种刚性设计导致模型难以捕捉跨窗口的长期时空依赖关系。以交通流量预测为例，早高峰时段与晚高峰时段的空间关联模式可能存在显著差异，但固定窗口模型无法自适应调整分析范围。其次，时空维度被割裂处理，导致模型在特征融合过程中出现信息损耗。实验数据显示，采用分离式时空编码的模型在预测精度上比端到端架构平均降低约12.7%。第三，静态空间关系假设严重制约模型性能。在电力负荷预测场景中，不同季节的空间耦合度可能产生3倍以上的差异，但传统GNN模型普遍采用全年统一的拓扑结构，这会削弱模型对动态时空模式的适应能力。

针对上述问题，研究团队提出动态多周期时空图神经网络（DM-PSTGNN）框架，通过三个创新模块实现时空依赖的统一建模。动态周期提取模块基于快速傅里叶变换（FFT）技术，能够自适应识别数据中的多尺度周期特征。以某城市交通流量数据集为例，该模块成功检测到5种周期模式（日周期、周周期、季周期、年周期及节假日周期），其周期频率范围覆盖从分钟级到年际级别的连续谱系。相较于传统固定窗口设计，这种动态频谱分析使模型能够捕捉到周期特征间的交叉共振效应，在实测中使预测误差降低18.4%。

在构建动态时空图结构方面，DM-PSTGNN采用分层递进策略。首先通过频谱分析提取周期基频，然后利用张量分解技术将高维时空数据投影到低维动态图空间。以气象数据预测为例，经过张量分解后，空间节点数从10万级压缩至1200级，同时保留93.6%的原始时空关联强度。这种降维处理不仅显著提升计算效率，更通过结构优化有效避免了过拟合问题。动态图结构在训练过程中持续更新拓扑关系，例如在疫情爆发期间，某区域医院的空间影响力权重提升了47倍，这种自适应调整使模型在突发事件中表现出更强的鲁棒性。

时空特征融合模块采用双路径机制实现跨周期信息交互。实验表明，当处理包含月度周期和季度周期的电力负荷数据时，双路径融合模块使跨周期关联建模准确率提升32.8%。可视化分析显示，该模块能够有效捕捉不同周期层级的时空耦合特征，例如在交通流量预测中，日周期与周周期的空间关联模式存在显著互补性，通过融合机制可使预测精度提升19.5%。

该框架的创新性体现在三个维度：周期特征提取的动态性、时空建模的统一性、关系更新的持续性。在杭州城市大脑交通预测实测中，DM-PSTGNN较ST-GCN模型将高峰时段预测误差降低41.2%，且在跨周期特征融合方面展现出独特优势。模型的可解释性通过可视化技术得到验证，其生成的动态时空图能够清晰展示不同时间尺度的空间关联演变过程，例如在电力系统中，可直观观察到工业区与居民区的负荷影响权重随季节周期动态调整的特征。

实验部分采用五个典型数据集进行验证，包括交通流量（Beijing Traffic, 2018-2022）、电力负荷（Shanghai Power, 2015-2023）、空气质量（PM2.5 China, 2016-2024）等。在短时预测（24小时）场景下，DM-PSTGNN在MAE指标上平均优于基线模型15.6%；在长期预测（72小时）中，其RMSE值比传统LSTM模型降低28.9%。消融实验证明，动态周期提取模块贡献率高达42.7%，而时空统一建模模块使跨周期误差降低37.2%。

模型在实际应用中展现出良好的泛化能力。在长三角城市群交通预测中，DM-PSTGNN成功捕捉到不同城市间的动态流量传导机制。例如，当苏州工业园区出现突发交通拥堵时，模型在15分钟内可联动上海和杭州的交通信号系统进行协同调度，这种跨域实时响应能力是传统模型难以实现的。在电力系统调度方面，模型通过识别出工业用电的周周期特性与居民用电的日周期特性，实现了更精准的供需匹配，某省级电网的调峰成本因此降低19.3%。

未来研究方向聚焦于三个维度：首先，开发更高效的动态图更新算法以应对超大规模数据集；其次，探索多模态时空融合机制，当前模型主要处理单变量时序数据，但实际场景中往往存在多种异构传感器数据；最后，研究模型在非平稳周期环境中的应用，例如应对突发公共卫生事件等极端情况下的动态周期调整能力。这些技术突破将进一步提升DM-PSTGNN在智慧城市、工业互联网等复杂场景中的应用价值。

模型的可解释性验证采用两种方法：时序热力图法和关系权重分析。前者通过可视化展示各时空节点的激活模式，后者统计不同关联路径的贡献度。在交通流量预测中，动态图结构显示早高峰时段的空间关联半径较平峰时段扩大2.3倍，这与实地观测数据高度吻合。关系权重分析表明，跨周期关联权重占比从传统模型的18.7%提升至39.4%，证实了融合机制的有效性。

在工程实现方面，DM-PSTGNN采用混合计算架构。动态图构建部分使用GPU加速的张量运算，时空卷积模块部署在CPU集群上，这种分工设计使训练速度提升2.7倍，同时内存占用降低35%。模型参数经过严格优化，在保证精度的前提下将参数量控制在1.2亿以内，这显著优于同类模型（如STGCN参数量达3.8亿）。部署时采用模型剪枝技术，关键路径的压缩率控制在15%以内，仍能保持98.2%的原有预测精度。

该研究的理论贡献在于建立了动态时空关联的数学表征体系。通过引入频谱分析的概念，将周期特征提取从经验设定转化为数据驱动的自适应过程。实验数据表明，这种动态周期建模使模型在非标准周期数据（如临时活动导致的不规则周期）中表现尤为突出，预测误差比固定周期模型降低42.8%。在模型泛化能力测试中，将训练数据集的周期特征随机扰动30%，DM-PSTGNN仍能保持89.5%的原始性能，这验证了其动态适应机制的可靠性。

实际应用场景中，DM-PSTGNN展现出多方面的优势。在智慧医疗系统中，通过分析医院、药店和交通枢纽的时空数据，成功构建了药品供应动态优化模型，使急救药品的配送效率提升27%。在智能制造领域，某汽车工厂的设备故障预测系统应用该模型后，误报率从12.3%降至4.1%，同时将平均维修响应时间缩短至18分钟。这些案例表明，DM-PSTGNN不仅适用于传统时空预测任务，更能为复杂系统提供实时决策支持。

该框架在计算效率方面也取得突破性进展。通过动态图结构优化，使得在10万节点规模的数据集上，推理时间控制在3.2秒以内（CPU环境）。对比实验显示，同等精度下STGCN需要5.8秒，MT-GNN需要4.1秒。这种效率提升源于动态图结构对冗余计算的有效规避，系统在训练时自动识别并裁剪了38.6%的无效关联边。

最后，研究团队在模型轻量化方面进行了创新尝试。通过设计可分离的周期模块，使得模型能够兼容不同硬件环境。实测数据显示，在移动边缘计算设备（如嵌入式GPU）上，DM-PSTGNN的预测精度保持在全量数据集的92.3%，而传统模型在该场景下精度普遍低于70%。这种跨平台的适应性使模型在物联网终端、自动驾驶感知等边缘计算场景中具有广阔的应用前景。