A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting
一、研究背景与核心痛点
在能源、交通、金融等领域，决策者不仅需要预测未来几步，更希望看到未来很长时间的趋势。传统的循环神经网络（RNN/LSTM）在处理长序列时容易梯度消失，而近年流行的Transformer模型虽然表现不错，但计算量和参数量极大（例如TimesNet有1.5亿参数），在资源受限的场景下难以部署。
与此同时，许多现有模型（如DLinear、PatchTST）将每个变量独立处理，忽略了变量之间的相互影响——比如电网中某个区域的负荷变化会连带影响邻近区域，汇率市场中不同货币之间存在联动关系。
论文核心问题：能不能设计一个既轻量、又能捕捉变量间依赖关系的模型，在长达720步的预测上做到既准又快？
二、核心方法：Lite-STGNN架构
Lite-STGNN走的是 “强时序基线 + 轻量空间修正” 的路线，而不是从头学习一个复杂的时空模型。整体结构如图1所示，分为三大模块"
三、实验设计与结果亮点
论文在四个标准数据集上做了充分验证：Electricity（321个电力负荷传感器）、Traffic（862个道路传感器）、Exchange（8种货币汇率）、Weather（21个气象变量）。预测范围覆盖96、192、336、720四个长窗口。
- 精度对比（表1）
Electricity：Lite-STGNN均方误差（MSE）0.178，比ModernTCN提升8.2%，平均绝对误差（MAE）0.280，排名第一。
Exchange：
在720步最远预测上，MSE比DLinear提升23.5%（0.552 vs 0.722），MAE提升12.6%，说明空间模块在高度波动的金融数据上帮助巨大。
Traffic：
排名第二（第一是PatchTST），但MAE比ModernTCN降低了11.6%。
Weather：MSE排名第一（0.239）。
- 参数与效率（表2）
在Electricity数据集上：
Lite-STGNN总参数量 0.74M，而ModernTCN是129.3M（174倍），PatchTST是7.6M。
每轮训练时间 27.3秒，ModernTCN需要545.2秒（约20倍）。
兼具精度和效率，特别适合边缘设备或实时预测场景。
- 可解释性（图3）
学习到的邻接矩阵可视化后，能清晰看到：
Electricity：形成与地理供电区域一致的聚类结构。
Exchange：欧元、英镑等主要货币之间连接较强，符合宏观经济学直觉。
Traffic：传感器沿道路走廊呈现上下游影响关系。
Weather：空间邻近的气象变量之间连接更密。
这说明模型不仅“黑盒”有效，学到的结构还具有实际物理/经济含义，有助于领域专家理解和校验.
