什么是全连接时空图模型（FC-STGNN）
全连接时空图模型（Fully Connected Spatio-Temporal Graph Neural Network, FC-STGNN）是一种旨在全面建模多变量时间序列（MTS）数据中空间-时间依赖性的新方法。它由两个主要组成部分构成：全连接图构造和全连接图卷积。
全连接图构造
分段与编码
全连接图构造的第一步是对每个MTS样本进行分段，即将每个传感器的信号分割成多个时间戳对应的部分。接着，每个传感器的信号会被编码为传感器特征。例如，给定一个MTS样本，通过考虑MTS数据中的局部时间模式，将每个传感器的信号分割成多个补丁，然后使用编码器来处理每个窗口内的分段信号。
通过点积计算实现全连接
在多个补丁中学习传感器特征后，可以通过点积计算来构建一个全连接图。这种方法假设相关传感器应表现出相似的属性，使其特征在特征空间中接近。因此，通过点积来量化两个传感器之间的相似性，从而实现全连接。
衰减矩阵设计
为了改善全连接图，设计了一个衰减矩阵来考虑各个时间戳之间的时间距离。时间上较近的传感器分配了更大的相关性，以确保时间上接近的传感器之间展现出更强的相关性。
全连接图卷积
全连接图卷积的主要目的在于捕获MTS数据中的空间-时间依赖关系。一种方法是直接在整个图上执行图卷积，但这可能无法有效地捕获局部空间-时间依赖关系。为了解决这个问题，FC-STGNN提出了移动-池化GNN层。
移动-池化GNN层
移动-池化GNN层采用特定大小的移动窗口沿着时间戳滑动。在每个窗口内，执行图卷积以通过边缘传播更新节点特征。这种方法类似于卷积神经网络（CNNs）中局部卷积的概念，有助于捕捉局部模式并减少计算成本。
应用与效果
FC-STGNN在多个数据集上展示了改进的性能，尤其是在剩余使用寿命（RUL）预测、人类活动识别（HAR）和睡眠阶段分类（SSC）等任务中。它解决了现有方法在捕捉复杂空间-时间依赖性方面的局限性，为MTS数据分析提供了重要的进步。