研究人员发现，当前图神经网络（GNN）在应用于时间序列预测时存在局限性，尤其是在时间相关性快速演变的情况下。他们引入了一个名为时间相关性波动（TCV）的指标来量化这种演变，并证明包括Transformer在内的许多现有模型在高TCV环境中表现不佳。为了解决这个问题，开发了一种名为GLIDE的新型GNN层，该层结合了基于路径的消息传递以及静态/动态传播分离，以提高在动态场景下的学习能力，并在静态场景下保持鲁棒性。实验表明，GLIDE在各种设置下的平均性能可提高高达45.6%。 AI
影响 引入了一种新颖的GNN层，显著提高了动态环境中时间序列预测的准确性。
排序理由 学术论文，介绍了一种使用GNN进行时间序列分析的新方法和新指标。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
