MTGNN 开源项目教程

项目介绍

MTGNN（Multivariate Time Series Forecasting with Graph Neural Networks）是一个用于多元时间序列预测的图神经网络框架。该项目由Zonghan Wu和Shirui Pan等人开发，并在KDD 2020会议上发表。MTGNN通过图学习模块自动提取变量之间的单向关系，并结合图卷积和时间卷积模块来捕获时间序列中的时空依赖关系。MTGNN在多个多元时间序列预测任务中表现优异，为使用图神经网络处理多元时间序列数据提供了有效的解决方案。

项目快速启动

环境准备

首先，确保你已经安装了Python 3，并且安装了项目所需的依赖包。可以通过以下命令安装依赖：

pip install -r requirements.txt

数据准备

MTGNN支持多种多元时间序列数据集。你可以从以下链接下载数据集并解压缩到项目的数据文件夹中：

• Solar-Energy
• Traffic
• Electricity
• Exchange-Rate

模型训练

以下是单步预测和多步预测的训练示例代码：

单步预测

python train_single_step.py --save /model-solar-3.pt --data /data/solar_AL.txt --num_nodes 137 --batch_size 4 --epochs 30 --horizon 3

多步预测

python train_multi_step.py --adj_data /data/sensor_graph/adj_mx.pkl --data /data/METR-LA --num_nodes 207

应用案例和最佳实践

应用案例

MTGNN在多个领域中都有广泛的应用，例如：

1. 能源预测：预测太阳能发电量和电力消耗。
2. 交通流量预测：预测城市交通流量，优化交通管理。
3. 金融预测：预测汇率和股票价格。

最佳实践

• 数据预处理：确保输入数据的时间序列是连续的，并且没有缺失值。
• 超参数调优：通过调整批量大小、学习率和卷积核大小等超参数，可以显著提高模型的性能。
• 模型评估：使用交叉验证和多种评估指标（如MAE、RMSE）来评估模型的性能。

典型生态项目

MTGNN作为一个图神经网络框架，可以与其他时间序列分析工具和库结合使用，例如：

1. DGL（Deep Graph Library）：一个用于图神经网络的Python库，可以与MTGNN结合使用，增强图卷积模块的功能。
2. PyTorch Forecasting：一个用于时间序列预测的PyTorch扩展库，可以与MTGNN结合使用，提供更多的时间序列处理功能。
3. GluonTS：一个用于时间序列预测的MXNet库，可以与MTGNN结合使用，提供更多的模型和工具。

通过结合这些生态项目，可以进一步扩展MTGNN的功能，提升其在多元时间序列预测任务中的表现。