ForecastGrapher：基于图神经网络重新定义多变量时间序列预测

多变量时间序列预测中有效学习序列间相关性的挑战，仍然是一个尚未解决的重要难题。传统的深度学习模型主要依赖Transformer架构来建模长序列，往往难以将多个时间序列的信息整合为一个连贯且具有普遍适用性的统一模型。为弥合这一差距，本文提出ForecastGrapher框架，该框架将多变量时间序列预测重新定义为节点回归任务，为捕捉复杂的时序动态及序列间相关性提供了一条独特路径。该方法基于三个关键步骤：首先，生成定制化的节点嵌入，以表征各序列内部的时序变化；其次，构建自适应邻接矩阵，用于编码序列间的相关关系；第三，通过多样化节点特征分布来增强图神经网络（GNN）的表达能力。为进一步提升表达能力，我们引入了分组特征卷积图神经网络（Group Feature Convolution GNN, GFC-GNN）。该模型采用可学习的缩放机制，将节点特征划分为多个组，并在聚合阶段之前，对每组分别应用具有不同卷积核长度的一维卷积操作。由此，GFC-GNN方法以全端到端的方式显著丰富了节点特征分布的多样性。通过大量实验与消融研究，我们验证了ForecastGrapher在多变量时间序列预测领域显著优于多个强基准模型及现有主流方法。