Page 407 - 《软件学报》2025年第4期

邹慧琪 等: 基于图神经网络的复杂时空数据挖掘方法综述 1813

态图, 在快照间捕获节点信息变化, 而在基于连续时间动态图的时空融合方法中会在快照内部捕获发生交互时节
点的变化. 在这类基于动态图的时空融合架构中涉及的图结构通过较为简单, 不涉及异质性和超边. 根据对这种简
单的动态图空间依赖关系提取方法的不同, 可将离散时间动态图分为基于卷积图神经网络、基于注意力机制、基
于卷积图神经网络和注意力机制结合的方法, 而在基于连续时间动态图的时空融合方法中因为在发生交互时更新
节点信息, 因此需要通过定义一些随着时间变化而更新节点表示的方法来融合时空信息.
(2) 基于动态异质图的时空融合架构
在真实世界中, 时空网络中的节点和边可能有多种类型, 所形成的图结构也是异质的, 因此对这些不同类型的
节点和边进行信息融合时, 需要考虑到处理方式的多样性. 根据节点特征聚合时的信息传递方式, 可以将基于动态
异质图的时空融合架构细分为两大类别: 一是基于关系类型感知的时空融合架构, 二是基于元路径的时空融合架
构, 这种划分方式使得时空架构的设计更加灵活和多样化. 基于关系类型感知的时空融合架构侧重对动态异质图
中不同关系类型的邻居信息的聚合, 而基于元路径的时空融合架构通过引入元路径的概念能够对更高阶的空间关
系进行充分的提取.
(3) 基于动态超图的时空融合架构
时间序列
在传统的简单图结构中, 每条边连接两个节点, 而超图中的超边可以连接多个节点, 形成更为灵活的关系模
式. 当前, 涌现了大量基于超图的研究, 其中包括在生物网络中的多元关系和在社交网络中的群体互动等方面. 随
着研究的深入, 在时空数据挖掘的应用领域, 也引入了一些基于动态超图的时空融合架构. 由于现有大量基于超图
的时空融合架构直接在处理超图时维持其原有的结构, 因此在这类时空融合架构中主要介绍非展开型方法.
由于大模型作为深度学习领域的一项新兴技术, 被广泛应用于自然语言处理、计算机视觉和多模态融合等领
域. 而在探索时空信息融合的挖掘领域, 大模型呈现出令人瞩目的潜力和广泛的应用前景. 面向两种不同类型的提
取时空信息的相关数据, 即时间序列和图, 其中图包括普通图和时空图, 我们介绍了时空大模型的相关内容, 并总
结了相关领域的最新成果.
如图 1 展示了本文对于复杂时空数据挖掘预测方法的分类框架. 在后续章节中, 我们将基于这个分类框架对
不同部分进行详细的介绍.

图卷积神经网络
离散时间
动态图 注意力机制
动态图 图卷积神经网络和
注意力机制结合
复 连续时间
杂 动态图 参数调节法
时
空 循环神经网络法
复 融 动态异质图 关系类型感知
杂 合
时 架 元路径感知
空 构
数 非谱域方法
据
挖 动态超图
掘 谱域方法
预
测 时序领域基础
方 时 大模型
法 空
大 现有大模型
模 处理时间序列 大模型作为
型 增强型
普通图
大模型作为
图 预测器
时空图
图 1 复杂时空数据挖掘预测方法分类