多元时间序列(MTS)预测在广泛的应用中起着至关重要的作用。最近,由于其最先进的性能,空间 - 周期性图神经网络(STGNN)已成为越来越流行的MTS预测方法。但是,随着绩效的有限改善,最近的工作变得越来越复杂。这种现象激发了我们探索MTS预测和设计模型的关键因素,该模型与STGNN一样强大,但更简洁,效率更高。在本文中,我们将样品在空间和时间维度中的不可区分性确定为关键瓶颈,并通过连接空间和时间身份信息(STID)提出了一个简单而有效的MTS预测基线,该信息可同时实现最佳性能和效率基于简单的多层感知器(MLP)。这些结果表明,只要它们解决样品的不可区分性,而无需限于STGNN,我们就可以设计高效有效的模型。
translated by 谷歌翻译