METRO: A Generic Graph Neural Network Framework for Multivariate Time Series Forecasting（VLDB）

多元时间序列预测因其广泛的应用而受到越来越多的关注。人们普遍认为，利用变量对之间的潜在相关性可以提高预测的准确性。然而，现有的方法大多采用静态变量相关性建模，忽略了时间尺度之间的相关性，未能充分保留变量之间的动态和周期性相关性，而这对长期和短期预测至关重要。在本文中，我们提出了一个多尺度时间图神经网络的通用框架METRO，它可以同时建模动态的和跨尺度的变量相关性。通过将多变量时间序列表示为一系列时间图，通过消息传递和节点嵌入更新，可以很好地保留步内和步间的相关性。为了实现跨时间尺度的信息传播，我们设计了一种新的采样策略，以调整更高和更低尺度之间的具体步骤，并有效地融合跨尺度信息。此外，我们提供了一个模块化的解释，现有的基于gnn的时间序列预测工作作为具体实例，在我们的框架下。在四个基准数据集上进行的大量实验证明了我们的方法的有效性和效率。METRO已成功部署在华为云的时间序列分析平台上，一个月的在线测试表明，该系统比最先进的型号w.r.t RSE的相对性能提高了20%

注意：时间序列的动态性和周期性

阅读者总结：这篇论文用图神经网络处理多元时间序列预测问题，考虑了时间序列预测中面临的两个主要方面，即时间粒度和动态性。应该说利用图进行时间序列序列预测是个很好方法，文中对这个两个方面的建模上有点绕。从框架图上很清晰地看出来各个模块分别处理相应的那个问题，但是在表述建模思路上有些赘述，比如在跨粒度融合模块上。这篇论文还是要详细阅读代码，对文中提高的图神经网络在各个部分的使用才有深入的了解。

问题：1）主要考虑时间尺度上的多粒度问题  2）变量之间的相互依赖性

方法：

本文提出一种通用的端到端框架:多尺度时序图神经网络(METRO)。它有四个关键组件:一个时序图嵌入(TGE)单元，可在多个时间尺度下获得节点(变量)嵌入;一个单尺度图更新(SGU)单元，可动态利用每个单一尺度下节点的图结构，并从节点的步内和步间邻居传播信息;它作为一个解码器，解码节点嵌入并给出最终预测。

 

 

 

 

 框架：

 3.1 Temporal Graph Embedding Unit

时序图嵌入(TGE)单元作为编码器，得到每个变量a在一定时间尺度下的时序特征嵌入

 

 Single-scale Graph Update Unit

自适应学习步内和步间变量邻接矩阵，提出一种基于图的时序消息传递策略，计算和聚合节点的历史时序信息，并利用其更新节点嵌入。

 

 

 

 这里注意是消息传递，聚合和当期参数更新

3.3 Cross-scale Graph Fusion Kernel

为理解和传播跨尺度的信息，本文提出跨尺度图融合(CGF)核，沿着获得的多个尺度的嵌入特征行走，实现信息融合。

 

 实验