WaveGSSM: Graph Wave State Space Models for Propagating Spatio-Temporal Patterns

📄 arXiv: 2610.06540v1 📥 PDF

作者: Junyou Zhu, Fenying Cai, Ping Xiong, Christian Nauck, Langzhou He, Chao Gao, Jürgen Kurths, Frank Hellmann

分类: cs.LG

发布日期: 2026-10-05

💡 一句话要点

提出WaveGSSM以解决时空图模式传播问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 时空图模型 图神经网络 状态空间模型 天气预报 模式传播 动态变化 机器学习

📋 核心要点

  1. 现有的时空图模型未能有效表示模式在图中的传播，导致预测结果的准确性不足。
  2. WaveGSSM通过引入耦合的潜在状态，明确表示模式的当前状态及其变化率，从而提升预测能力。
  3. 在多个时序图基准和天气预报任务中，WaveGSSM的性能优于传统模型，显著降低了预测误差。

📝 摘要（中文）

时空图模型通常通过图神经网络（GNN）对每个快照进行编码，并通过时间模块连接生成的表示。尽管这种空间-时间设计有效，但未能明确表示模式在图中的移动方式。本文提出WaveGSSM，一种二阶图状态空间模型，在每个节点上维护两个耦合的潜在状态，一个用于当前模式，一个用于其时间变化率。通过图波转移更新运动状态，并利用其推进模式状态，将空间传播和时间演化耦合在单次推理中。WaveGSSM在四个时序图基准和全球天气预报中进行评估，表现出色，平均减少20.2%的地势潜力均方根误差（RMSE），并更好地保留大规模气候模式。

🔬 方法详解

问题定义：本文旨在解决现有时空图模型在模式传播表示上的不足，现有方法未能有效捕捉模式的动态变化，导致预测结果不够准确。

核心思路：WaveGSSM通过引入两个耦合的潜在状态，分别表示当前模式和其时间变化率，明确了模式在图中的传播过程，从而提升了预测的准确性。

技术框架：WaveGSSM的整体架构包括图神经网络用于编码当前模式，图波转移模块用于更新运动状态，并通过耦合的状态推进模式状态，形成一个完整的推理流程。

关键创新：WaveGSSM的最大创新在于其二阶状态空间模型设计，通过耦合的潜在状态明确表示模式的传播和变化，与传统的空间-时间分离模型形成鲜明对比。

关键设计：模型中采用了特定的损失函数以优化耦合状态的学习，同时在网络结构上设计了图波转移模块，以有效捕捉空间和时间的交互特性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

WaveGSSM在四个时序图基准测试中表现优异，平均性能最佳，并在1至5天的天气预报中，相较于基线模型，地势潜力均方根误差（RMSE）降低了20.2%，有效保留了大规模气候模式。

🎯 应用场景

WaveGSSM在时空数据分析、气象预测和交通流量预测等领域具有广泛的应用潜力。其创新的状态空间模型能够更准确地捕捉动态变化，为相关领域提供更可靠的预测工具，推动智能决策的发展。

📄 摘要（原文）

Spatio-temporal graph models typically encode each snapshot with a GNN and then connect the resulting representations through a temporal module. This space-then-time design is effective, yet it does not explicitly represent how a pattern moves across the graph. We show empirically that, for a propagating process, the same present field can lead to different futures when its recent rate of change differs, motivating an explicit representation of motion in the predictive state. We introduce WaveGSSM, a second-order graph state-space model that maintains two coupled latent states at each node, one for the current pattern and one for its temporal rate of change. A graph-wave transition updates the motion state through graph interactions and uses it to advance the pattern state, coupling spatial propagation and temporal evolution within a single rollout. We evaluate WaveGSSM on four temporal-graph benchmarks and global weather forecasting. It consistently achieves the best mean performance across the temporal-graph benchmarks and reduces the geopotential RMSE by 20.2% on average for 1- to 5-day weather forecasts relative to a backbone-matched snapshot model, while better preserving large-scale atmospheric patterns.