分层语义提取与异构图神经网络在事件驱动时间序列预测中的应用

《Scientific Reports》：Hierarchical semantic extraction and heterogeneous graph neural networks for event-driven time series forecasting

　　

摘要

事件驱动的时间序列预测是多个科学领域中的一个基本挑战。现有的深度学习方法依赖于历史模式的连续性假设，因此对外部冲击的响应能力不足；而主流的文本增强方法将文档编码为单一的密集向量，导致诸如实体立场、事件类型和因果传播关系等细粒度语义信息的丢失。为了解决这些限制，本研究提出了一种基于多模态图神经网络和Temporal Fusion Transformer架构的三部分方法框架。第一部分使用大型语言模型进行分层语义提取，将非结构化文本分解为四个结构化层次：实体立场量化、事件本体映射、事件间因果链推理和综合情感指标，从而保留了通过扁平化向量化会丢失的与预测相关的信息。第二部分构建了包含多种节点类型和关系类型的异构信息图，通过具有关系感知注意力机制的关系图卷积网络明确建模事件之间的累积效应、传播效应和协同效应。第三部分利用语义分析实现快速的环境状态识别，根据当前条件动态调整特征权重的重要性，从而解决了事件驱动预测任务中固有的非平稳性问题。以原油价格预测作为代表性场景的实验验证表明，所提出的框架在整体预测准确性上比基线方法提高了17.7%，在事件密集期这一提升幅度达到了34.7%；消融研究也证实了每个组成部分的独立贡献。该方法具有领域通用性，可以应用于其他事件驱动的预测任务，包括疫情传播预测、供应链风险评估和金融市场分析。