Lite-STGNN: Leichtgewichtiges Graph Neural Network für langfristige Vorhersagen

Die neue Methode Lite-STGNN bietet ein schlankes, räumlich-temporales Graph Neural Network, das speziell für die langfristige Vorhersage mehrdimensionaler Zeitreihen entwickelt wurde. Durch die Kombination von zeitlicher Zerlegung und lernbarer, sparsamer Graphstruktur erreicht das Modell eine hohe Genauigkeit bei gleichzeitig geringem Parameteraufwand.

Im zeitlichen Teil wird eine Trend‑Seasonal‑Decomposition eingesetzt, die die Daten in langfristige Trends und saisonale Muster trennt. Der räumliche Teil nutzt eine Low‑Rank Top‑K‑Adjacency‑Lernschicht zusammen mit einer konservativen horizon‑wise‑Gating‑Mechanik. Diese Architektur ermöglicht es, räumliche Korrekturen effizient zu berechnen und damit die Leistung eines starken linearen Baselines zu übertreffen.

Lite-STGNN erzielt auf vier etablierten Benchmark‑Datensätzen für Horizonte bis zu 720 Zeitschritten einen branchenführenden Genauigkeitswert. Gleichzeitig ist es deutlich schneller im Training als transformerbasierte Ansätze und benötigt deutlich weniger Parameter.

Durch Ablationsstudien wurde gezeigt, dass der räumliche Modul allein die Basis um 4,6 % verbessert, die Top‑K‑Lernschicht die Lokalität um 3,3 % erhöht und die erlernten Adjazenzmatrizen aufschlussreiche, domänenspezifische Interaktionsdynamiken offenbaren. Lite-STGNN stellt somit ein kompaktes, interpretierbares und effizientes Framework für langfristige multivariate Zeitreihen‑Vorhersagen dar.