摘要
多变量时间序列（Multivariate Time Series, MTS）预测在众多应用场景中发挥着至关重要的作用。近年来，时空图神经网络（Spatial-Temporal Graph Neural Networks, STGNNs）作为一种主流的MTS预测方法日益受到关注。STGNN通过图神经网络与序列模型联合建模MTS的时空模式，显著提升了预测精度。然而，受限于模型复杂度，大多数现有STGNN仅能利用短期历史数据（如过去一小时的数据），难以充分捕捉时间序列的长期演化规律及其相互依赖关系（即时空模式）。为解决这一问题，本文提出一种新型框架，通过引入可扩展的时间序列预训练模型（Scalable Time series Pre-training model, STEP）来增强STGNN。具体而言，我们设计了一种预训练模型，能够高效地从极长周期的历史时间序列（例如过去两周的数据）中学习时间模式，并生成片段级表征（segment-level representations）。这些表征为输入STGNN的短期时间序列提供了丰富的上下文信息，有助于建模序列间的依赖关系。在三个公开的真实世界数据集上的实验结果表明，所提出的框架能够显著提升下游STGNN的性能，且预训练模型能够准确捕捉时间序列中的长期时间模式。