時系列予測は、医療、地球科学、ネットワーク解析、金融、経済学など多くの分野に応用される広く研究されている問題である。多次元時系列の場合、優れた性能を発揮する鍵は、変数間の依存関係を適切に捉えることにある。多くの場合、これらの変数は構造を持つ、すなわち抽象空間内に局所化されており、通常は物理世界の何らかの側面を表している。この空間を介して時間とともに情報が拡散するという形で予測が行われる。これまでに、拡散を模倣するニューラルネットワークモデルが多数提案されてきた。しかし、現存する多くは、空間の構造に関する事前知識（通常は、空間内の点同士の拡散能力を重み付けしたグラフとして表現される）を前提としている。本研究では、このような情報はしばしば不要であると主張する。なぜなら、データ自体が拡散能力に関する情報をすでに含んでおり、通常手作業で構築されるグラフよりもはるかに信頼性が高いからである。そこで、本研究では、このようなグラフや他のあらかじめ与えられた構造的知識に依存しない、完全にデータ駆動型のモデルを提案する。まず、ベースラインモデルで用いられる構造的事前知識が性能に与える影響を測定するための実験を実施し、データ量が極めて少ない場合を除き、その影響はほとんど無視できることが示された。さらに、ある閾値を超えると、むしろ性能を低下させる可能性があることも明らかにした。その後、第二の実験セットを通じて、本モデルの能力を二つの側面から検証した。すなわち、欠損データの処理能力およびドメイン適応（domain adaptation）能力である。