时空图神经网络（STGNN）作为处理非欧氏时空数据的核心技术，近期在顶会及核心期刊持续涌现突破性成果，已广泛应用于交通预测、电动汽车运维、城市治理等热门领域。传统模型难以精准捕捉复杂时空关联，且在数据稀疏、动态拓扑场景下性能受限，而最新研究通过架构优化与多特征融合，有效破解了这一痛点。吉林大学团队提出的多源特征融合STGNN模型，斩获全国一等奖，实现复杂场景下电动汽车续驶里程高精度预测；MTDGNN动态图模型在城市交通预测中，MAE和RMSE较基准模型分别降低至少2.24%和3.98%；另有多层STGNN架构，有效解决轨迹数据不均衡导致的路网预测难题。

这些突破核心在于强化时空协同建模能力，为复杂场景下的时空预测任务开辟新路径。对于深耕该方向的论文er，动态图构建、多源特征融合、稀疏数据适配等是潜力选题，我已整理好相关顶会论文及复现代码（部分），想快速上手的同学工种号 沃的顶会 扫码回复 “时空图神经” 领取

Leveraging Spatial-Temporal Graph Neural Networks for Multi-Store Sales Forecasting

文章解析

本文系统评估了图神经网络（GNN）在沃尔玛45家门店周度销售预测任务中的有效性，并与ARIMA、XGBoost和LSTM三大基线模型进行严格对比。实验表明：GNN凭借显式建模门店间相似性关系，在整体精度上最优（如Store 37的MAPE达2.08%，较ARIMA提升近50%）；XGBoost在门店间相关性弱时表现稳健；LSTM因平滑效应在波动性强的门店上性能下降。研究证实，将零售网络建模为时空图可显著提升多门店协同预测能力。

创新点

首次在统一特征工程与数据划分下，显式分离并量化了关系型信息（即门店间图结构）对多门店销售预测的独立贡献。

提出基于相似性构建门店图的轻量级时空GNN框架，无需复杂图学习或动态边更新。

设计增强型节假日编码（区分major/minor holiday）与多尺度滞后+滚动统计特征组合，适配GNN输入范式。

研究方法

使用Walmart周度销售数据（2010–2012，45店），按门店聚合部门级销售，构建单店时间序列。

构造包含原始经济变量、周期性时间编码（sin/cos）、多步滞后（1–52周）、滚动统计（均值/标准差/EWMA）、节假日增强标识及log1p变换销售目标的统一特征集。

所有模型（ARIMA、LSTM、XGBoost、GNN）共享完全相同的特征工程与80/20时间序列分割策略，确保公平比较。

GNN将每家门店视为节点，依据温度、CPI、失业率等宏观变量相似性构建加权无向边，通过消息传递聚合邻域时空信息。

研究结论

GNN在多门店销售预测中显著优于传统时序模型（ARIMA）与深度模型（LSTM），验证了显式建模空间依赖性的价值。

XGBoost在低相关性门店上鲁棒性强，适合异构零售网络的局部建模。

LSTM存在固有平滑偏差，难以捕捉销售突变，尤其在假日波动剧烈的门店上性能受限。

时空图结构建模是提升连锁零售场景下协同预测精度的关键路径。

A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting

文章解析

本文提出Lite-STGNN，一种轻量级Spatial-Temporal Graph Neural Network，用于长期多变量时间序列预测。它将基于分解的线性时序建模（趋势-季节分解）与可学习的稀疏图结构相结合：空间模块采用低秩Top-K邻接矩阵学习和保守的horizon-wise门控机制，以残差方式增强强线性基线。模型在Electricity、Traffic、Exchange和Weather四个基准数据集（预测步长最高达720步）上达到SOTA精度，同时参数量极低（如Electricity任务仅0.74M参数）、训练速度比Transformer方法快约20倍；所学邻接矩阵具备可解释性，能揭示领域特异的变量交互动力学。

创新点

首次将低秩+Top-K稀疏化邻接学习嵌入分解式线性时序主干，实现高效且可解释的空间建模。

引入horizon-wise保守门控机制，以残差方式融合空间修正，兼顾稳定性与长程泛化能力。

在96–720步长LTSF任务中统一了线性模型的效率/稳定性与STGNN的结构建模能力，填补长时序图学习空白。

所学稀疏邻接矩阵兼具紧凑性（O(Nr)复杂度）与领域语义对齐性，支持跨变量依赖的可视化分析。

研究方法

时序模块：对输入序列进行趋势-季节分解，并分别施加独立线性变换建模长期趋势与周期模式。

空间模块：通过低秩邻接因子分解（Wilson et al., 2018）与Top-K稀疏化（Plötze et al., 2024）构建动态稀疏图结构。

消息传递：在稀疏图上执行轻量级图卷积，结合horizon-wise门控控制空间修正强度。

残差融合：将空间模块输出作为残差项加至线性时序输出，形成最终预测。

研究结论

Lite-STGNN在四个标准LTSF数据集上均达到SOTA精度，尤其在Electricity和Exchange数据集上优势显著。

相比ModernTCN等模型参数减少174倍、训练速度快约20倍，验证其卓越的参数与计算效率。

消融实验表明空间模块带来4.6%整体性能提升，Top-K策略进一步提升局部建模能力3.3%。

所学邻接矩阵反映真实领域知识（如电力节点耦合、汇率关联），证明模型具备可解释性与实用价值。