Forecasting Multivariate Urban Data via Decomposition and Spatio-Temporal Graph Analysis
作者: Amirhossein Sohrabbeig, Omid Ardakanian, Petr Musilek
分类: cs.LG
发布日期: 2025-05-28 (更新: 2025-08-26)
💡 一句话要点
提出DST模型，通过分解和时空图分析预测多元城市数据
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 多元时间序列预测 图神经网络 时空建模 城市数据分析 时间序列分解
📋 核心要点
- 多元城市数据的长期预测因其复杂的时空依赖性而极具挑战，现有方法难以有效建模。
- DST模型通过分解时间序列，并利用图神经网络分别学习趋势、季节性和残差分量的图结构，从而捕获时空依赖性。
- 在真实城市数据集上的实验表明，DST在长期预测精度上优于现有方法，提升幅度达到2.89%到9.10%。
📝 摘要（中文）
由于多元城市数据固有的复杂时空依赖性，长期预测面临着重大挑战。本文提出了DST，一种新颖的多元时间序列预测模型，它在图神经网络（GNN）中集成了图注意力机制和时间卷积，以分别有效地捕获空间和时间依赖性。为了提高模型性能，我们应用了一种基于分解的预处理步骤，该步骤隔离了时间序列的趋势、季节性和残差分量，从而能够为不同的时间序列分量学习不同的图结构。在包括电力需求、天气指标、碳强度和空气污染在内的真实世界城市数据集上进行的大量实验表明，DST在一系列预测范围（从几天到一个月）内都有效。具体而言，我们的方法在长期预测精度方面比最先进的时间序列预测模型平均提高了2.89%到9.10%。
🔬 方法详解
问题定义：论文旨在解决多元城市数据的长期预测问题。现有方法难以有效捕捉城市数据中复杂的时空依赖关系，导致预测精度不高，尤其是在长期预测中表现更差。这些方法通常无法区分时间序列的不同成分（如趋势、季节性和残差），并为所有成分使用相同的模型结构，限制了模型的表达能力。
核心思路：论文的核心思路是将时间序列分解为趋势、季节性和残差三个部分，然后为每个部分学习不同的图结构，并使用图神经网络来建模时空依赖关系。通过这种方式，模型可以更好地捕捉不同时间序列成分的特性，从而提高预测精度。这种分解的思想借鉴了经典时间序列分析方法，并将其与图神经网络相结合。
技术框架：DST模型主要包含三个阶段：1) 时间序列分解：使用例如STL分解等方法将原始时间序列分解为趋势、季节性和残差分量。2) 图结构学习：为每个时间序列分量学习一个图结构，该图结构表示空间依赖关系。可以使用图注意力网络来学习节点之间的权重，从而构建图。3) 时空建模：使用图神经网络（例如，图卷积网络或图注意力网络）来建模每个时间序列分量的时空依赖关系。时间卷积用于捕捉时间依赖性，图神经网络用于捕捉空间依赖性。最后，将各个分量的预测结果加总，得到最终的预测结果。
关键创新：DST模型的关键创新在于将时间序列分解与图神经网络相结合，为不同的时间序列分量学习不同的图结构。这种方法能够更好地捕捉城市数据中复杂的时空依赖关系，并提高长期预测精度。此外，DST模型还集成了图注意力机制和时间卷积，能够有效地捕捉空间和时间依赖性。
关键设计：在时间序列分解阶段，可以选择不同的分解方法，例如STL分解或X11分解。在图结构学习阶段，可以使用图注意力网络来学习节点之间的权重，并使用不同的注意力机制（例如，多头注意力）。在时空建模阶段，可以使用不同的图神经网络结构，例如图卷积网络或图注意力网络。损失函数通常采用均方误差（MSE）或平均绝对误差（MAE）。参数设置需要根据具体数据集进行调整。
🖼️ 关键图片
📊 实验亮点
DST模型在真实世界城市数据集（包括电力需求、天气指标、碳强度和空气污染）上进行了广泛的实验。实验结果表明，DST模型在长期预测精度方面优于最先进的时间序列预测模型，平均提升幅度为2.89%到9.10%。尤其在预测范围较长的情况下，DST模型的优势更加明显。这些结果验证了DST模型在多元城市数据预测方面的有效性。
🎯 应用场景
该研究成果可广泛应用于智慧城市建设，例如电力需求预测、交通流量预测、空气质量预测等。准确的城市数据预测有助于政府和企业做出更明智的决策，优化资源配置，提高城市运行效率，并改善居民生活质量。例如，电力公司可以根据电力需求预测结果，合理安排发电计划，降低能源消耗和环境污染。
📄 摘要（原文）
Long-term forecasting of multivariate urban data poses a significant challenge due to the complex spatiotemporal dependencies inherent in such datasets. This paper presents DST, a novel multivariate time-series forecasting model that integrates graph attention and temporal convolution within a Graph Neural Network (GNN) to effectively capture spatial and temporal dependencies, respectively. To enhance model performance, we apply a decomposition-based preprocessing step that isolates trend, seasonal, and residual components of the time series, enabling the learning of distinct graph structures for different time-series components. Extensive experiments on real-world urban datasets, including electricity demand, weather metrics, carbon intensity, and air pollution, demonstrate the effectiveness of DST across a range of forecast horizons, from several days to one month. Specifically, our approach achieves an average improvement of 2.89% to 9.10% in long-term forecasting accuracy over state-of-the-art time-series forecasting models.