長(zhǎng)期以來(lái)，多元時(shí)間序列預(yù)測(cè)在能源消耗和交通預(yù)測(cè)等實(shí)際應(yīng)用中受到了廣泛關(guān)注沟沙。雖然最近的方法顯示出良好的預(yù)測(cè)能力，但它們有三個(gè)基本的局限性。(i).離散神經(jīng)結(jié)構(gòu):交錯(cuò)單獨(dú)參數(shù)化的空間和時(shí)間塊來(lái)編碼豐富的底層模式奖地，導(dǎo)致不連續(xù)的潛在狀態(tài)軌跡和更高的預(yù)測(cè)數(shù)值誤差。(ii).高復(fù)雜性:離散方法使用專用設(shè)計(jì)和冗余參數(shù)使模型復(fù)雜化赋焕，導(dǎo)致更高的計(jì)算和內(nèi)存開(kāi)銷参歹。(iii).對(duì)圖先驗(yàn)的依賴:依賴預(yù)定義的靜態(tài)圖結(jié)構(gòu)限制了它們?cè)诂F(xiàn)實(shí)應(yīng)用中的有效性和實(shí)用性。本文提出了一種利用動(dòng)態(tài)圖神經(jīng)常微分方程(MTGODE)預(yù)測(cè)多元時(shí)間序列的連續(xù)模型隆判，解決了上述局限性犬庇。具體來(lái)說(shuō)僧界，我們首先將多元時(shí)間序列抽象成具有時(shí)間演化節(jié)點(diǎn)特征和未知圖結(jié)構(gòu)的動(dòng)態(tài)圖。然后臭挽，我們?cè)O(shè)計(jì)并解決了一個(gè)神經(jīng)ODE來(lái)彌補(bǔ)缺失的圖拓?fù)浜徒y(tǒng)一的空間和時(shí)間消息傳遞捎泻，允許更深層次的圖傳播和細(xì)粒度的時(shí)間信息聚合來(lái)表征穩(wěn)定和精確的潛在時(shí)空動(dòng)態(tài)。我們的實(shí)驗(yàn)從不同角度證明了MTGODE在5個(gè)時(shí)間序列基準(zhǔn)數(shù)據(jù)集上的優(yōu)勢(shì)埋哟。
