基于频域图卷积网络的时空序列预测

摘要

为解决多尺度时空序列预测中非线性多尺度时空耦合依赖关系建模困难、传统方法因分离处理时空特征而难以捕捉跨尺度交互、现有深度学习方法受吉布斯噪声干扰与局部-全局特征融合不足等问题,提出一种频域图卷积网络(frequency domain graph convolution network, FDGCN),通过3阶段协同框架实现多尺度时空统一建模。构建超变量图,将多尺度时间维度与空间拓扑联合编码为图节点,利用自适应邻接矩阵显式建模跨尺度依赖;设计离散余弦变换-离散傅里叶变换(discrete cosine transform-discrete Fourier transform, DCT-DFT)协同降噪机制,通过DCT的偶对称扩展抑制DFT的吉布斯现象,结合尺度感知频域滤波器分离低频趋势与高频噪声;引入指数平滑注意力机制,动态融合多尺度特征,平衡局部波动与长期趋势。基于多领域试验验证,FDGCN能够实现多尺度时空统一建模,有效捕捉复杂时空依赖,降低高频噪声,提升训练效率,在交通、电力等多领域数据集上均取得优异的预测性能,兼具预测精度高、计算效率优和跨领域泛化能力强等综合优势,为时空预测提供高效解决方案。

关键词

时空序列预测 / 多尺度时间相关性建模 / 门控注意力机制 / 深度学习 / 数据挖掘