Die Vorhersage mehrdimensionaler Zeitreihen spielt in zahlreichen realen Anwendungen eine entscheidende Rolle. Es handelt sich um ein anspruchsvolles Problem, da sowohl die innerhalb einer Reihe bestehenden zeitlichen Korrelationen als auch die zwischen verschiedenen Reihen bestehenden Korrelationen gleichzeitig berücksichtigt werden müssen. In jüngster Zeit wurden mehrere Ansätze vorgestellt, um beide Arten von Korrelationen zu erfassen, wobei jedoch die meisten, wenn nicht alle, lediglich zeitliche Korrelationen im Zeitbereich modellieren und für die zwischenreihlichen Beziehungen auf vordefinierte Vorkenntnisse (priors) zurückgreifen.In diesem Artikel stellen wir den Spectral Temporal Graph Neural Network (StemGNN) vor, um die Genauigkeit der Vorhersage mehrdimensionaler Zeitreihen weiter zu verbessern. StemGNN erfasst sowohl zwischenreihliche Korrelationen als auch zeitliche Abhängigkeiten gemeinsam im Spektralbereich. Der Ansatz kombiniert die Graph-Fourier-Transformation (GFT), die zwischenreihliche Korrelationen modelliert, mit der diskreten Fourier-Transformation (DFT), die zeitliche Abhängigkeiten erfasst, in einem end-to-end-Modell. Nach der Anwendung von GFT und DFT weisen die spektralen Darstellungen klare Muster auf, die effektiv durch Faltungs- und sequenzielle Lernmodule vorhergesagt werden können. Zudem lernt StemGNN die zwischenreihlichen Korrelationen automatisch aus den Daten, ohne auf vordefinierte Vorkenntnisse angewiesen zu sein. Wir führen umfangreiche Experimente an zehn realen Datensätzen durch, um die Wirksamkeit von StemGNN zu demonstrieren. Der Quellcode ist unter https://github.com/microsoft/StemGNN/ verfügbar.