A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting一、研究背景与核心痛点在能源、交通、金融等领域决策者不仅需要预测未来几步更希望看到未来很长时间的趋势。传统的循环神经网络RNN/LSTM在处理长序列时容易梯度消失而近年流行的Transformer模型虽然表现不错但计算量和参数量极大例如TimesNet有1.5亿参数在资源受限的场景下难以部署。与此同时许多现有模型如DLinear、PatchTST将每个变量独立处理忽略了变量之间的相互影响——比如电网中某个区域的负荷变化会连带影响邻近区域汇率市场中不同货币之间存在联动关系。论文核心问题能不能设计一个既轻量、又能捕捉变量间依赖关系的模型在长达720步的预测上做到既准又快二、核心方法Lite-STGNN架构Lite-STGNN走的是 “强时序基线 轻量空间修正” 的路线而不是从头学习一个复杂的时空模型。整体结构如图1所示分为三大模块三、实验设计与结果亮点论文在四个标准数据集上做了充分验证Electricity321个电力负荷传感器、Traffic862个道路传感器、Exchange8种货币汇率、Weather21个气象变量。预测范围覆盖96、192、336、720四个长窗口。精度对比表1ElectricityLite-STGNN均方误差MSE0.178比ModernTCN提升8.2%平均绝对误差MAE0.280排名第一。Exchange在720步最远预测上MSE比DLinear提升23.5%0.552 vs 0.722MAE提升12.6%说明空间模块在高度波动的金融数据上帮助巨大。Traffic排名第二第一是PatchTST但MAE比ModernTCN降低了11.6%。WeatherMSE排名第一0.239。参数与效率表2在Electricity数据集上Lite-STGNN总参数量 0.74M而ModernTCN是129.3M174倍PatchTST是7.6M。每轮训练时间 27.3秒ModernTCN需要545.2秒约20倍。兼具精度和效率特别适合边缘设备或实时预测场景。可解释性图3学习到的邻接矩阵可视化后能清晰看到Electricity形成与地理供电区域一致的聚类结构。Exchange欧元、英镑等主要货币之间连接较强符合宏观经济学直觉。Traffic传感器沿道路走廊呈现上下游影响关系。Weather空间邻近的气象变量之间连接更密。这说明模型不仅“黑盒”有效学到的结构还具有实际物理/经济含义有助于领域专家理解和校验.