摘要
时间序列预测是一个广泛且被深入研究的问题，在多个领域均有重要应用（如医疗、地球科学、网络分析、金融、计量经济学等）。在多变量时间序列的情形下，取得良好性能的关键在于准确捕捉各变量之间的依赖关系。通常，这些变量具有某种结构，即它们在抽象空间中具有局部化特性，该空间通常对应物理世界的某种特征，而预测过程本质上可视为信息在该空间中随时间的扩散。文献中已提出多种基于神经网络的扩散模型。然而，大多数现有方法依赖于对空间结构的先验知识，通常以图结构的形式表示，该图用于刻画空间中各点之间的成对扩散能力。我们认为，此类先验信息往往并非必要，因为数据本身已包含扩散能力的信息，且其可靠性远高于通常由人工精心构建的图结构所反映的信息。因此，我们提出一种完全数据驱动的模型，该模型不依赖于任何图结构，也不需要其他形式的先验结构信息。我们首先开展一组实验，评估在基线模型中引入结构先验对性能的影响，结果表明，除在极低数据量情况下外，该先验的影响几乎可以忽略不计；而当数据量超过某一阈值后，它甚至可能对性能产生负面影响。随后，通过第二组实验，我们进一步检验所提模型在两个方面的表现能力：缺失数据处理能力与领域适应能力。