Die Vorhersage von Zeitreihen ist ein weit verbreitetes und gut untersuchtes Problem mit Anwendungen in zahlreichen Bereichen (Medizin, Geowissenschaften, Netzwerkanalyse, Finanzen, Ökonometrie usw.). Bei multivariaten Zeitreihen liegt der Schlüssel zu guter Leistung darin, die Abhängigkeiten zwischen den Variablen angemessen zu erfassen. Oft sind diese Variablen strukturiert, d. h., sie sind in einem abstrakten Raum lokalisiert, der in der Regel eine Eigenschaft der physischen Welt repräsentiert, und die Vorhersage entspricht einer Art Diffusion von Informationen über diesen Raum hinweg im Laufe der Zeit. In der Literatur wurden mehrere neuronale Netzwerkmodelle zur Diffusion vorgeschlagen. Die meisten dieser Ansätze beruhen jedoch auf vorheriger Kenntnis der Struktur des Raums, meist in Form eines Graphen, der die paarweisen Diffusionskapazitäten der Punkte gewichtet. Wir argumentieren, dass diese Information häufig entbehrlich ist, da die Daten selbst bereits die Diffusionskapazitätsinformation enthalten – und zwar zuverlässiger als die aus üblicherweise stark handwerklich erstellten Graphen gewonnene. Stattdessen schlagen wir ein vollständig datengetriebenes Modell vor, das weder auf einem solchen Graphen noch auf sonstige a priori strukturelle Informationen angewiesen ist. Wir führen eine erste Reihe von Experimenten durch, um den Einfluss eines strukturellen Vorwissens – wie es in Baseline-Modellen verwendet wird – auf die Leistung zu messen, und zeigen, dass es außer bei sehr geringen Datenniveaus vernachlässigbar bleibt und über einer bestimmten Schwelle sogar schädlich wirken kann. Anschließend untersuchen wir anhand einer zweiten Experimentierreihe die Fähigkeiten unseres Modells hinsichtlich zweier Aspekte: der Behandlung fehlender Daten und des Domain-Adaptations.