主要观点总结
本文是一篇关于系统性文献综述的文章，介绍了时空图神经网络（GNNs）在不同领域时间序列分类和预测问题中的应用。文章讨论了GNNs的定义和概念，以及时空图神经网络的模块化结构。此外，文章还概述了图神经网络的几个主要应用领域，包括能源、环境、金融、健康、移动出行、预测性监测等，并探讨了研究结果的讨论、挑战与未来方向。文章提供了关于数据集、基准模型、指标等方面的详细讨论，并指出缺乏标准化的时空GNN基准和不同研究的结果难以比较的问题。
关键观点总结
关键观点1: 文章介绍了GNNs的定义和概念，包括时间序列、图、时空图等的定义。
关键观点2: 文章讨论了时空图神经网络的模块化结构，包括空间模块、时间模块以及它们的组合。
关键观点3: 文章概述了图神经网络在能源、环境、金融、健康、移动出行、预测性监测等领域的应用，并提供了关于数据集、基准模型、指标等方面的详细讨论。
关键观点4: 文章指出了当前面临的挑战，如可比性、可重复性、可解释性、信息容量不足、异质性等，并探讨了未来研究方向，如开发更可扩展的GNN模型等。
文章预览
来源：时序人 本文 约9000字 ，建议阅读 10分钟 本文介绍一篇系统性文献综述，该综述探讨了时空图神经网络（GNNs）模型在不同领域时间序列分类和预测问题中的应用。 近年来，GNNs因其处理图结构数据的能力而广受欢迎。这进而促使时间序列分析领域近年来开发出时空GNNs，以模拟变量之间以及跨时间点的依赖关系。本文介绍一篇系统性文献综述，该综述探讨了时空图神经网络（GNNs）模型在不同领域时间序列分类和预测问题中的应用。 【论文标题】 A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification 【论文地址】 https://arxiv.org/abs/2410.22377 综述引言 近年来，图神经网络（GNNs）作为一类强大的人工神经网络模型出现，用于处理可以表示为图的数据。 GNNs可用于三种不同的问题类别：图级、边级和节点
………………………………
