动态图卷积门控循环单元(DGI-GRU)：融合动态邻接矩阵的时空信息增强提取方法

针对时空数据预测中静态图结构无法捕捉动态空间关联的难题，厦门大学团队提出DGI-GRU模型，通过多维GRU生成融合观测值与距离信息的动态邻接矩阵，并在单层架构中同步提取时空特征。实验证明其在湖泊水温与京津冀空气质量预测任务中优于现有基线，为复杂时空建模提供了参数高效的新范式。

　　

时空数据如同城市脉搏的实时记录仪，从气象站的温度波动到交通监测点的车流变化，这些兼具时间趋势与空间关联的复杂信息，构成了现代智慧城市管理的核心挑战。传统方法往往陷入两难：静态图神经网络(Graph Neural Networks, GNN)虽能刻画空间依赖，却无法捕捉风向改变导致的气象站关联重构；而简单堆叠图卷积网络(GCN)与门控循环单元(GRU)的架构，又面临参数冗余与计算效率低下的困境。更棘手的是，现实中的空间关联往往呈现非对称性——夏季的上风站可能在冬季变为下风站，这种动态拓扑特性使得基于固定邻接矩阵的模型难以精准建模。

厦门大学数学科学学院的研究团队在《Neurocomputing》发表的这项研究，创新性地将动态图卷积嵌入GRU架构，提出DGI-GRU模型。其核心突破在于：通过多维GRU生成的动态邻接矩阵，既保留了节点间地理距离的先验知识，又融入了实时观测数据的时空耦合效应。这种设计使得模型能自动捕捉诸如"相邻气象站水温突变传导"等复杂场景，在京津冀空气质量预测任务中，对PM_2.5浓度变化的预测精度显著提升。

关键技术方法包含三方面：1)基于静态邻接矩阵与观测值的多维GRU动态图生成器；2)嵌入图卷积的改进型GRU单元，通过重置门与更新门调控时空信息流；3)采用梁子湖水温监测站和京津冀空气质量监测站构成的非欧几里得数据集验证模型。

研究结果部分揭示：
• 动态图生成机制：相比传统静态GCN，动态邻接矩阵使模型能识别相距300公里气象站间的季节性关联，空间关系捕捉范围扩大4.7倍。
• 参数效率：单层DGI-GRU的参数量仅为传统GCN-GRU串联结构的61%，训练速度提升2.3倍。
• 预测性能：在PM_2.5预测任务中，均方误差(MSE)较T-GCN模型降低19.8%，对突发污染事件响应延迟缩短至15分钟。

这项研究的创新性体现在理论框架与实际应用的双重突破：其一，动态邻接矩阵的构建方法为时空图神经网络提供了可解释性更强的信息传递路径；其二，单层融合架构的设计思路可延伸至交通流量预测、流行病传播建模等领域。正如作者Xinru Liu在讨论部分指出，该方法特别适用于"具有显式地理约束但隐含动态关联"的场景，其成功实践为智慧环保、城市计算等国家重大需求提供了新的算法引擎。值得注意的是，模型对风电等强时空耦合能源数据的预测表现尚未验证，这将成为团队下一步重点攻关方向。