摘要
多站全球导航卫星系统（GNSS）位移残差预测可从邻近站点获益，但无约束的空间聚合可能掩盖站点本地的时间动态及空间信息的独立价值。在已建立强站点本地预测之后，邻近站点是否还能提供额外的预测信息仍不清楚。本文提出了一种多尺度图残差自适应网络（MS-GRAN），这是一种"本地优先"的框架，学习有界的空间残差修正，而非无约束的图预测。MS-GRAN首先建立站点本地的NLinear预测，然后通过仅在训练阶段使用的关联—距离图学习增量残差修正。空间分支集成了因果多尺度高频残差摘要、稀疏非负邻接约束、"邻居减自身"残差对比，以及零输出初始化的残差头与接近零初始化的门控，以确保受控的空间贡献。在包含90个站点的Cascadia GNSS基准上，采用固定的2010–2019/2020–2021/2022–2024时序划分进行实验，结果表明MS-GRAN在冻结测试集上实现了2.9158 ± 0.0033 mm的1天预测均方根误差（RMSE），而对应的冻结NLinear基线为2.9579 ± 0.0006 mm。1.422%的降幅虽小但可复现：在三个随机种子中有82–84个站点获得改善，成对站点自助法置信区间为正，上尾误差的下降幅度大于平均RMSE的改善，且增益在预测时长、网络密度、季节及缺失率分层上均保持正值。额外对照实验表明，仅自身自适应的增益为0.635%，重新连接的安慰剂图为1.265%，经验证集选择的因果预本地共模基线为?0.343%，而另一种冻结DLinear基线的增益为1.335%。这些结果支持在稀疏GNSS网络中进行保守的空间残差自适应，同时表明残差自适应能力贡献显著，简单的因果共模预处理无法重现该增益，而仅训练阶段的图拓扑结构带来的额外收益较小。本文结果并未证明普适的空间迁移、物理事件归因或地震前兆检测能力。
