近期我们针对GNN+Transformer+时序的前沿成果进行了深度整合，从中筛选出14篇很有参考价值的论文，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「图时序」
免费获取全部论文合集及项目代码
Forecasting Equity Correlations with Hybrid Transformer Graph Neural Network
内容：本文提出一种融合Transformer与图注意力网络（GAT）的时序异构图神经网络（THGNN），用于预测标普500成分股未来10天的股票间相关性：首先将相关性预测建模为Fisher-z空间中的残差预测问题，以30日滚动历史相关性为基线，利用Transformer对每只股票过去30天37维特征序列进行时序编码生成节点嵌入，再通过边感知多头图注意力网络在按相关性强度采样构建的带符号加权股票网络上进行跨资产信息传播，并由按负/中/正相关类型路由的三个专家MLP分别输出残差修正量，训练中采用Huber边损失与可微高斯软分箱直方图匹配损失相结合的复合损失函数以同时保证逐边精度与整体相关性分布形态；最后将预测得到的前瞻性相关矩阵输入SPONGEsym图聚类与机器学习信号过滤的统计套利交易框架构建多空篮子，并利用梯度×输入显著性和图注意力权重分别对Transformer与GAT进行可解释性分析。
A Cloud-Based Spatio-Temporal GNN-Transformer Hybrid Model for Traffic Flow Forecasting with External Feature Integration
内容：本文提出一种部署于云平台的时空图神经网络（GNN）与Transformer混合交通流预测模型：将路网建模为有向图，利用多层图卷积聚合相邻路段信息以捕捉空间依赖，同时采用多头自注意力机制对历史交通序列进行全局时序建模以捕捉长程时间依赖，并将天气、事故、节假日等外部特征经全连接层嵌入后与GNN和Transformer输出的时空特征拼接融合形成综合表示，最终在云平台上借助分布式存储（如HDFS/S3）、分布式训练（参数服务器与Horovod等）及容器化微服务（Docker+Kubernetes）实现大规模数据的可扩展训练与实时在线预测服务。
扫描下方二维码，回复「图时序」
免费获取全部论文合集及项目代码
A Generalized GNN-Transformer-Based Radio Link Failure Prediction Framework in 5G RAN
内容：本文提出GenTrap框架，用于预测5G无线接入网中无线链路次日是否会发生故障：该框架首先利用图神经网络（GNN）聚合模块为每条无线链路动态选择并加权聚合周边不同数量的气象站数据，以学习性地捕捉天气对链路的空间影响，克服固定选取气象站带来的偏差；随后采用时间序列Transformer编码各链路历史KPI与所关联气象站观测数据，通过平均池化提取时序依赖特征，再经GNN最大聚合生成链路与气象站之间时空关联的潜在表示，并与链路静态特征经前馈网络处理后的输出拼接，最终通过前馈网络完成故障预测；针对故障样本极少（农村0.3%、城市0.06%）的高度不平衡数据，采用加权交叉熵损失函数而非重采样来平衡两类样本的影响，并使用时序滚动原点方法进行模型评估。
A Review of Time Series Prediction Models Based on Deep Learning
内容：本文是一篇综述，主要研究方法并非提出单一新算法，而是构建了一个结构化的、面向任务的深度学习时间序列预测模型分析与选型框架：系统梳理并比较了CNN（含TCN、SCINet等）、RNN（LSTM、GRU）、Transformer变体（Informer、Autoformer、iTransformer、CrossFormer等）、GNN（STGCN、MTGNN、HGCN-MA、STAN等）以及统计-深度学习混合模型（ARIMA-RNN、ETSformer、N-BEATS、PatchTST等）的原理、优势与局限，并围绕序列长度处理、多变量支持、可解释性、计算效率与实时性等维度进行跨模型对比，进而依据依赖长度、趋势/季节性强度、变量间关系、噪声水平等数据特征与预测horizon、实时约束、可解释性需求等任务要求，建立任务驱动的模型选择指南，最后展望了可解释性增强、模型结构优化以及多源数据与领域知识融合等未来方向。
扫描下方二维码，回复「图时序」
免费获取全部论文合集及项目代码
