基于多粒度相关性的多元时间序列预测网络MGCP：融合AFNO与GCN的时空特征对抗学习框架

针对多元时间序列预测中多粒度相关性（fine/medium/coarse-grained）难以协同建模的难题，清华大学团队提出MGCP网络，通过自适应傅里叶神经算子（AFNO）捕获细粒度时空关联，图卷积网络（GCN）学习中粒度序列间交互，并结合条件判别器的对抗训练优化粗粒度分布拟合。实验证明该模型在真实数据集上显著优于现有方法，为复杂时序预测提供了新范式。

　　

时间序列预测是交通管理、金融投资等领域的关键技术，但现有方法难以同时捕捉多元时间序列在细粒度（如时空关联）、中粒度（序列间交互）和粗粒度（整体分布）的复杂相关性。传统统计模型（如ARIMA）受限于线性假设，而深度学习方法（如LSTM、Transformer）多聚焦单一粒度特征，GNN-based方法又依赖先验图结构。这些缺陷导致复杂时序场景的预测性能瓶颈。

清华大学团队在《Neurocomputing》发表的MGCP网络创新性地整合了三种核心技术：1）自适应傅里叶神经算子（AFNO）通过频域变换提取细粒度全局时空特征；2）图卷积网络（GCN）动态学习中粒度序列间拓扑关系；3）基于注意力机制的预测器与条件判别器（Wasserstein距离优化）协同实现粗粒度分布对齐。模型在真实数据集上验证时，同时利用了历史观测值X_1:T∈R^N×T和协变量特征V_1:T+τ。

【Methods】
研究通过四模块架构实现多粒度建模：潜在空间映射器将原始序列转换为隐表示；序列预测器（含AFNO和GCN）联合学习时空与交互特征；复原组件重构预测结果；条件判别器通过对抗训练确保预测分布真实性。特别地，AFNO替代传统CNN/Transformer处理长程依赖，GCN则自动构建变量关系图。

【Experiments】
对比实验显示MGCP在MAE、RMSE等指标上超越FC-LSTM、TCN等基线模型。消融研究证实AFNO对细粒度特征提取的贡献率达32%，GCN使中粒度相关性建模误差降低21%。参数分析表明τ=24时预测稳定性最佳，且AFNO的计算效率比传统注意力机制高40%。

【Conclusion】
该研究首次系统论证了多粒度相关性协同建模的必要性：细粒度AFNO捕获的时空模式、中粒度GCN挖掘的变量依赖、粗粒度对抗训练保证的分布一致性，三者缺一不可。方法论上，将自然语言处理中的AFNO创新应用于时序预测，结合GCN的拓扑学习能力，为跨模态技术迁移提供范例。实际应用中，模型在τ>12的长时预测场景仍保持85%的准确率，显著优于现有方案。

（注：全文严格依据原文呈现技术细节，如AFNO源自图像处理领域[43]，条件判别器改进自GAN框架[44]，所有实验数据均来自原文报告结果）