시계열 예측은 의료, 지구과학, 네트워크 분석, 금융, 경제학 등 다양한 분야에 응용되는 널리 퍼져 있고 광범위하게 연구된 문제이다. 다변량 시계열의 경우, 뛰어난 성능을 달성하는 핵심은 변수들 간의 종속성을 적절히 포착하는 데 있다. 일반적으로 이러한 변수들은 구조화되어 있으며, 일반적으로 물리 세계의 어떤 측면을 나타내는 추상 공간 내에 국소화되어 있다. 이 경우 예측은 시간이 지남에 따라 해당 공간을 통해 정보가 확산되는 형태로 해석할 수 있다. 기존 문헌에서는 여러 가지 확산 신경망 모델이 제안되어 왔다. 그러나 대부분의 기존 제안은 공간의 구조에 대한 사전 지식을 필요로 하며, 이는 보통 공간 내 점들 간의 쌍별 확산 능력을 가중치로 부여한 그래프 형태로 제공된다. 본 연구에서는 이러한 정보가 종종 필요 없을 수 있음을 주장한다. 왜냐하면 데이터 자체가 이미 확산 능력 정보를 포함하고 있으며, 일반적으로 수작업으로 구성된 그래프로부터 얻는 정보보다 훨씬 신뢰할 수 있기 때문이다. 대신, 우리는 그러한 그래프나 기타 사전 구조적 정보에 의존하지 않는 완전히 데이터 기반의 모델을 제안한다. 먼저, 기준 모델에서 사용되는 구조적 사전 지식이 성능에 미치는 영향을 측정하기 위한 실험을 수행하여, 매우 낮은 데이터 수준을 제외하고는 그 영향이 거의 무시할 수 있으며, 특정 임계값을 초과하면 오히려 성능 저하를 초래할 수 있음을 보여준다. 이후 두 번째 실험을 통해 제안한 모델의 두 가지 능력—결측 데이터 처리 및 도메인 적응 능력—을 평가한다.