يلعب التنبؤ بسلسلة زمنية متعددة المتغيرات دورًا حاسمًا في العديد من التطبيقات الواقعية. ويشكل هذا التحدي صعبًا لأن المستخدم يجب أن يأخذ في الاعتبار كلاً من الارتباطات الزمنية داخل السلسلة (intra-series) والارتباطات بين السلسلات (inter-series) في نفس الوقت. في الآونة الأخيرة، ظهرت العديد من الدراسات التي حاولت التقاط هاتين النوعين من الارتباطات، لكن معظمها، إن لم يكن كلها، يركز فقط على الارتباطات الزمنية في المجال الزمني، ويعتمد على معلومات مسبقة محددة مسبقًا لتمثيل العلاقات بين السلسلات.في هذا البحث، نقترح نموذجًا يُدعى "شبكة عصبية رياضية زمنية طيفية" (Spectral Temporal Graph Neural Network - StemGNN) لتحسين دقة التنبؤ بسلسلة زمنية متعددة المتغيرات. يُعد StemGNN قادرًا على التقاط الارتباطات بين السلسلات والاعتماديات الزمنية بشكل متكامل في المجال الطيفي (spectral domain). ويُدمج النموذج تحويل فورييه البياني (Graph Fourier Transform - GFT)، الذي يُمثل الارتباطات بين السلسلات، مع تحويل فورييه المنفصل (Discrete Fourier Transform - DFT)، الذي يُمثل الاعتماديات الزمنية، ضمن إطار عمل متكامل (end-to-end). وبعد المرور عبر GFT وDFT، تُظهر التمثيلات الطيفية أنماطًا واضحة، مما يمكّن وحدات التعلم التبادلي والتحفيز التسلسلي من التنبؤ بها بكفاءة عالية. علاوة على ذلك، يتعلم StemGNN الارتباطات بين السلسلات تلقائيًا من البيانات دون الاعتماد على معلومات مسبقة محددة مسبقًا. أجرينا تجارب واسعة على عشرة مجموعات بيانات واقعية لتوضيح فعالية StemGNN. ويمكن الوصول إلى الكود عبر الرابط التالي: https://github.com/microsoft/StemGNN/