时空预测基准数据集与基线的批判性审计

摘要

一项对时空预测基准数据集的批判性审计指出，图神经网络（GNN）虽广泛用于带空间图结构的多变量时间序列短期预测，但模型评估过度依赖 Chickenpox、PedalMe、WikiMaths、METR-LA 和 PEMS-BAY 等有限数据集；其中从历史平均到经典机器学习等基线常表现出与 GNN 相当的竞争力。作者用经典时间序列方法分析这些基准，发现不考虑空间信息的线性模型比以往报道的更强，并揭示一阶差分数据集带来的结构性偏差，质疑这些数据集的判别可靠性。研究建议减少对此类数据集的依赖，采用更严格的统计评估；将分析用于简单混合模型可启发新的 GNN 构建方式。