6. 时间序列与时序决策（Time Series & Sequential Decision）
在前面的视觉和结构化建模中，我们更多是在“静态”空间下思考问题：一张图、一条记录、一段文本。而在真实业务中，极大一部分核心指标都是随时间演化的：销售量和流量每天在波动，服务器负载和传感器读数每秒在变化，金融价格与宏观指标则在政策和事件驱动下不断调整。时间序列与时序决策这层，关注的就是：在时间轴上预测未来、识别异常、刻画结构突变，并在此基础上做出有前瞻性的决策与控制。
从产品视角看，这类能力贯穿运营、规划、风控和调度等关键环节：传统 BI / 报表系统中嵌入的指标预测模块、财务与供应链规划工具中的需求预测和安全库存建议、量化研究分析软件中的宏观关联分析和因果关系挖掘、电商和出行平台上的流量与运力预测、运维 AIOps 中的指标异常检测与告警，都是这一层的典型落地形态。下面我们从 经典统计方法 、 深度学习时间序列建模 、异常与变点检测以及时空序列建模四个方向展开。
6.1 经典时间序列建模（Statistical TS Modeling）
在很多业务里，“时间”是天然的主线：销售量按日/周变化、网站流量随活动波动、设备负载跟着用户行为起伏、传感器读数反映着系统状态的细微变化。经典统计时间序列建模就是在这种时序结构上，利用相对可解释、可分析的统计模型去回答三个核心问题：未来会怎样？变量之间如何关联？系统当前所处的状态是什么？ 尽管深度学习已经在许多场景中崭露头角，但 ARIMA、协整分析、卡尔曼滤波等传统方法，仍然在金融、供应链、运营、风控等领域长期服役，并常常作为更复杂系统的“基线”和解释工具。
从应用视角看，经典时间序列模型广泛存在于传统 BI/报表系统的指标预测模块、财务与供应链规划工具、以及各类量化研究软件中。它们可以直接对单个或多个时间序列给出未来预测区间，也可以用来分析宏观指标之间的协同变化与长期均衡关系，并通过状态空间建模对轨迹和隐藏状态进行估计。下面，我们从 场景 、原理和模型三个维度来梳理这类方法的典型用法，再分别展开具体方向。
- 场景
- 指标预测：对销售量、网站流量、CPU 负载、传感器读数等按时间变化的数值进行短期或中期预测，用于库存备货、产能安排、运维调度等决策。
- 宏观经济与金融分析：研究 GDP、通胀率、利率、汇率、资产价格等宏观和市场指标之间的长期关联和短期动态，辅助政策研究与量化策略开发。
- 过程与轨迹估计：在定位、导航、目标跟踪和设备监控中，对随时间变化的轨迹、速度、状态进行估计与平滑，并在噪声环境中尽可能还原“真实过程”。
- 原理 经典时间序列方法普遍基于“ 统计假设 + 参数化结构 ”的思路：
- 假定时间序列满足一定的平稳性或弱平稳性条件，通过自相关结构（自相关函数 ACF、偏自相关函数 PACF）刻画“当前值由过去多少阶的历史决定”。
- 在多变量情形中，通过协整与向量自回归（VAR）模型，刻画多个时间序列之间的长期均衡关系与短期偏离修正。
- 对于噪声严重、状态不可直接观测的系统，引入隐含状态（latent state）与观测方程组成状态空间模型，用贝叶斯推断或递推滤波（如卡尔曼滤波）进行在线估计与预测。
- 模型 这类方法的模型族相对明确、结构清晰，便于解释和调参：
- 单变量与多变量 AR/MA/ARIMA/SARIMA 系列，用于平稳/季节性时间序列建模，是 BI 系统和传统预测模块的“常驻成员”。
- VAR/协整模型，用于多维宏观和金融时间序列的联合建模和因果关系检验，适合政策和策略层面的关联分析。
- 状态空间模型与卡尔曼滤波、隐马尔可夫模型（HMM）等，用于轨迹估计、设备状态估计以及隐藏状态的推断，是工程控制与信号处理中的基础工具。
综合来看，经典时间序列建模的优势在于 可解释性、可诊断性和工程可控性 ：建模流程、假设检验、残差分析都有成熟规范，很容易融入现有 BI 与规划系统。下面，我们从单/多变量预测、协整与因果、状态空间三个方向展开。
6.1.1 单变量/多变量时间序列预测：从 ARIMA 到 VAR
在最典型的业务场景中，我们首先面对的是一条或若干条按时间排序的指标曲线：例如某商品每日销量、站点每小时 PV、机房每分钟 CPU 使用率、设备传感器每秒读数。目标是根据历史走势对未来的短期或中期区间给出预测，并给出合理的置信区间。AR/MA/ARMA/ARIMA/SARIMA 系列模型正是为此设计的标准工具。
对单变量序列来说，ARIMA 类模型假设“当前值由过去若干期的历史值和随机扰动线性决定”，通过对序列做差分、季节差分来消除趋势和季节性，使其趋于平稳：
- AR（自回归）部分刻画“自身滞后对当前值的影响”；
- MA（滑动平均）部分捕捉“历史误差项对当前值的影响”；
- I（差分）部分负责去除趋势；
- 加上季节项后得到 SARIMA，可以显式描述周度、月度等周期性结构。
在工程使用中，通常会先做平稳性检验（如 ADF）、观察 ACF/PACF 图，再通过信息准则（AIC/BIC）和残差诊断选取合理的阶数。对于具有明显季节性的指标（如电商日销量、节假日流量）尤其适合 SARIMA 建模，配合假日特征或外生变量可以进一步改善预测性能。
当我们希望一次性建模多条相关时间序列时，可以引入 多变量时间序列模型 。代表方法是 VAR（向量自回归）与其变体。VAR 将多个序列视为一个联合向量，用自身及彼此的滞后项共同解释当前值，从而捕捉不同指标之间的相互影响。例如，在宏观经济分析中，可以将 GDP 增速、通胀率、利率、汇率等纳入同一个 VAR 模型，研究冲击响应和传导路径；在业务运营中，也可以用 VAR 描述“一个渠道的流量变化如何影响其他渠道”“促销强度与销量之间的动态关系”，为资源调配提供参考。
在产品化形态上，这一类单/多变量预测能力通常嵌入在传统 BI / 报表系统的预测功能、财务与供应链规划工具中：用户选定某条或若干条时间序列，系统自动完成建模与预测，并提供预测区间、残差分析和模型诊断报告，用于辅助决策，而不必深入理解决策背后的所有数学细节。
6.1.2 协整与因果关系：宏观指标之间的长期均衡
在经济与金融领域，很多时间序列表面看似随机游走，但在更长的时间尺度上存在某种 稳定的长期均衡关系 。典型例子包括汇率与利差、股指与宏观盈利、商品价格与成本指数等。单独看每条序列，可能都是非平稳的；但某种线性组合却在长期内围绕一个稳定水平波动。这种现象被称为 协整（cointegration） ，它为我们理解宏观指标之间的结构性关系提供了重要线索。
在工程实践中，协整分析通常包括几个步骤：
- 对各个时间序列进行单位根检验，确认其为同阶单整（例如都为 I(1)）；
- 进行协整检验（如 Engle-Granger 两步法、Johansen 检验等），判断是否存在非平凡的线性组合使得该组合平稳；
- 若发现协整关系，可以构建误差修正模型（ECM），刻画“短期偏离长期均衡时，系统如何逐步修正回到平衡状态”。
与协整相关的，是 Granger 因果关系检验 。它并不是严格意义上的哲学“因果”，而是一种基于预测能力的统计定义：如果变量 X 的历史信息可以显著提高对变量 Y 的预测精度，则称“X Granger 导致 Y”。通过在 VAR 或回归框架下比较有/无某个变量滞后项时的预测误差，可以评估不同宏观或市场指标之间的方向性影响。在量化研究和宏观分析中，这种检验常用于甄别潜在的领先指标、构建因子、或者验证策略假说。
从产品视角看，协整与因果分析更多出现在量化研究分析软件、宏观经济分析平台和金融研究工具中。它们帮助研究者从成堆的时间序列中抽取出相对稳健的结构关系，并将这些关系映射到更高层次的业务概念（如“利率对汇率的长期约束”“不同资产之间的价差回归”），成为策略设计与风险管理的重要依据。
6.1.3 状态空间模型与隐状态估计：卡尔曼滤波与 HMM
在许多真实系统中，我们观测到的时间序列只是 噪声污染后的表象 ，而真正感兴趣的是背后随时间演化的“系统状态”：例如车辆的真实位置和速度、设备的健康状态、用户的潜在行为模式等。此时，如果仍然只在观测序列上做 ARIMA 式建模，就很难充分利用对系统结构的理解。**状态空间模型（State Space Models）**正是为这种“隐状态 + 噪声观测”的问题而提出。
状态空间模型通常由两部分构成：
- 状态转移方程：描述隐藏状态如何随时间演化，可以是线性的也可以是非线性的；
- 观测方程：描述隐藏状态如何生成带噪声的观测值。
在线性高斯假设下，这个框架可以通过卡尔曼滤波（Kalman Filter）和平滑器（Smoother） 实现对状态的递推估计与预测：每一步分为“预测”和“更新”两大阶段，将上一时刻的状态分布与当前观测结合，得到新的状态估计。这在导航与定位（如轨迹估计、目标跟踪）、金融时间序列（如波动率估计）、设备状态估计（如健康监控、剩余寿命预测）中极其常见。
与连续状态空间模型相邻的，是 隐马尔可夫模型（HMM） 。HMM 假设系统在若干个离散的隐状态之间随时间转移，每个隐状态下生成观测数据的概率分布不同。通过前向–后向算法和 Viterbi 算法，HMM 可以估计隐状态序列、计算观察序列概率，并对下一步状态与观测做预测。HMM 早期广泛用于语音识别、文本标注，也常用于简单的行为模式识别与事件序列建模，在某些工业与金融场景中仍有其优势——结构可解释、训练稳定、与领域经验易于结合。
在系统层面，状态空间建模、卡尔曼滤波和 HMM 常作为轨迹估计、设备状态估计、金融与工程控制系统的底层模块，被封装在更大的工具链中。它们不一定直接暴露给终端用户，但在导航、目标跟踪、工业控制、风险计量等产品背后，长期扮演着“隐形引擎”的角色。
6.2 深度学习时间序列建模（Deep TS Forecasting）
随着数据规模和场景复杂度的持续上升，单纯依赖线性、平稳性假设的经典模型在很多应用中开始显得“力不从心”：大量非线性模式、长跨度依赖、复杂的多变量交互、突发行为与周期叠加等特点，使得我们需要更灵活、更高容量的模型结构。深度学习时间序列建模正是在这一背景下发展起来的：从 RNN/LSTM/GRU，到 Temporal CNN/TCN，再到时序专用 Transformer、混合与分层模型，它们共同构成了现代时序预测与建模的主力工具箱。
从应用视角来看，深度时序模型已经广泛部署在电商流量 & 销量预测平台、供需/运力/排班预测系统、云资源负载预测与容量规划工具中，用于在多品类、多门店、多城市、甚至多业务线的复杂结构下，给出统一而灵活的预测方案。与经典模型相比，它们更强调“端到端表示学习”和“全局模式建模”，更擅长处理长序列、高维、多变量场景。下面，我们同样从 场景 、原理和模型三个维度展开。
- 场景
- 大规模多序列预测：成千上万条商品、门店、城市维度的销量/流量序列，需要在一个统一模型下同时建模，并支持冷启动与长尾序列。
- 复杂运营与调度：供电/供水/运力/排班等系统中，需求受多维特征影响（天气、节假日、价格、活动），且存在多层级结构（门店/城市/全国），需要同时兼顾全局模式与局部差异。
- 云资源与基础设施：大规模服务器集群、容器平台、网络与存储负载，呈现高度非线性和多峰结构，需要高频预测与容量规划支撑 SLO。
- 原理 深度时序模型的核心在于 自动从历史序列与协变量中学习多尺度模式与长期依赖 ：
- RNN/LSTM/GRU 通过循环结构显式地在时间维度上传递“记忆”，适合捕获顺序依赖与局部时间结构。
- Temporal CNN / TCN 使用一维卷积和膨胀卷积，在保证因果性的前提下扩大感受野，实现并行训练与稳定梯度传播。
- 时序 Transformer 与专门设计的变体（Informer、Autoformer、TimesNet 等）利用自注意力机制，在长序列、多变量设置下建模复杂依赖和周期性模式。
- 混合与分层模型进一步引入“全局 + 局部”“多层级时间序列”的结构假设，在统一框架中同时学习全局模式与个体特征。
- 模型 在具体实现上，深度时序建模涌现出一系列具有代表性的架构：
- 经典深度序列模型：RNN/LSTM/GRU 以及基于它们的 DeepAR 等自回归概率预测模型。
- 分解与预测一体化模型：N‑BEATS 等通过显式趋势/季节分解模块增强可解释性。
- 基于注意力的时序模型：Temporal Fusion Transformer（TFT）等结合注意力、门控、变量选择，适用于多变量、有丰富协变量的业务场景。
- 长序列 Transformer 模型：Informer、Autoformer、TimesNet、PatchTST 等，围绕长序列效率与多尺度建模做出专门设计。
下面，我们从深度序列模型、卷积与 Transformer、以及混合与分层建模三个方向展开。
6.2.1 深度 RNN/LSTM/GRU：从单序列到 DeepAR
在深度学习进入时间序列领域初期，RNN/LSTM/GRU 是最自然的选择。与文本和语音建模类似，它们通过在时间步之间传递隐状态来“记忆”历史信息，允许捕捉比传统线性模型更复杂的非线性和长期依赖。对于单条或少量时间序列，简单的 LSTM/GRU 在有足够数据时就可以取得不错的预测效果；而在大规模多序列场景中，则可以采用 共享参数的 RNN/LSTM/GRU 模型 ，在所有序列上进行联合训练，从而学习到通用的时序模式。
在此基础上，类似 DeepAR 的自回归概率模型为深度时序建模提供了一个标准框架：它将历史观测和协变量输入一个共享的 RNN/LSTM/GRU 网络，在每个时间步上输出序列值的条件分布参数（如高斯、负二项分布等），并通过最大似然训练实现端到端的概率预测。这样的设计使模型能够自然生成预测区间、处理不规则的尺度和多序列混合，有利于在电商销量、需求预测等场景中落地。
然而，RNN 类模型存在典型问题：长序列上的梯度衰减，以及在训练阶段无法完全并行化。虽然门控机制（LSTM/GRU）缓解了部分问题，但在特别长的时间跨度和高频数据下，训练与推理效率仍然是需要权衡的因素。这也促使业界和学术界探索更加并行友好的结构，如 TCN 和 Transformer。
6.2.2 Temporal CNN 与 Transformer：从局部卷积到长序列注意力
为了解决 RNN 在长序列上的效率和稳定性问题，Temporal CNN / TCN 引入了一维卷积和膨胀卷积来建模时间依赖：通过堆叠多层因果卷积、逐层扩大感受野，它在不破坏时间因果性的前提下，实现了对远距离历史的建模。相比 RNN，TCN 在训练时可以高度并行，梯度传播路径更短，因此在训练稳定性和效率上表现突出，适合用在高频数据、需要较大感受野的工业时序预测场景中。
在更高的复杂度层级上，Transformer 与时序专用结构成为近年来长序列、多变量时间序列建模的主角。直接使用标准 Transformer 会遇到计算复杂度随序列长度平方级增长的问题，因此涌现出一系列面向时序的改造方案：
- Informer 通过概率稀疏自注意力等机制，降低长序列上的计算负担，并针对预测任务优化结构。
- Autoformer 将趋势与季节性分解融入自注意力框架，试图在保持长序列建模能力的同时提升可解释性和稳定性。
- TimesNet 通过在时间–频率域或多尺度展开中增强对周期与模式的感知，更好地处理复杂、多周期的长序列。
- PatchTST 借鉴 Vision Transformer 的“patch”思想，将连续子序列视作补丁，提高长序列时的建模效率与泛化能力。
这类模型往往特别适合长序列、多变量、高维协变量的复杂时序场景，如大规模云资源负载、多区域能源需求、多渠道流量预测等。它们可以在一个统一架构中同时建模多维输入、静态特征和时间相关变量，并通过注意力权重为后续解释与诊断提供一定线索。
6.2.3 混合与分层模型：全局 + 局部、多层级时间序列
在实际业务中，时间序列很少是“孤立”的：它们往往具有明显的 层级结构与共享模式 ——例如门店/城市/区域/全国的销售层级，SKU/品类/品牌的商品层级，或业务线/产品/渠道的组织结构。如果简单地为每条序列单独建模，很难利用到这一层次结构；而直接把所有序列混在一起，又会忽略各自的个性化差异。混合与分层模型正是为解决这类问题而设计。
一类常见思路是 全局 + 局部模型 ：通过一个共享的“全局模型”学习所有序列的共性模式（如总体趋势、节假日效应、季节性），同时为每条序列或每个子群体引入局部参数或嵌入向量，捕捉个体特性。这种结构既避免了为长尾序列单独训练模型导致的数据稀疏问题，又保留了在热门序列上进行精细建模的能力。
另一类是 多层级时间序列（hierarchical TS）建模 ：在预测过程中显式考虑层级约束（如子层级之和需要与上层级预测一致），通过自顶向下、自底向上或中间层级的联合优化，使各层级预测在数值和结构上保持一致。在深度时序框架下，这通常表现为在输入编码中加入层级特征、为不同层级设计多头输出，或使用分层损失函数进行训练。
从产品视角看，这类混合与分层建模广泛应用于电商销量预测平台、供需/运力/排班预测系统等场景：系统需要同时给出“单店单品”“城市级别”“全国总量”等不同粒度的预测，并在资源规划和 KPI 拆解过程中保持上下层的一致性。深度模型的灵活结构，使得这类约束可以通过端到端方式嵌入建模过程，而不必完全依赖事后修正。
6.3 异常检测与变点检测（Anomaly & Change Point Detection）
在时间序列场景中，“预测未来”只是问题的一部分，另一部分同样关键的是： 实时发现异常与结构变化 。无论是设备运行、业务指标、交易行为，还是运维监控，异常检测与变点检测都是保障系统稳定、识别风险机会的核心能力。传统上，统计阈值法、EWMA、CUSUM 等方法广泛使用；随着数据维度和复杂度提升，各类机器学习与深度学习方法（孤立森林、One‑Class SVM、AutoEncoder/VAE、时序 GAN、GNN + 时序模型）也开始扮演重要角色。
从产品形态来看，这类能力往往内嵌在设备故障预警系统、业务指标异常报警平台（如转化率突降）、安全攻击与欺诈检测系统、运维 AIOps 告警引擎中，通过实时监控多维时序信号，自动标记可疑点和结构变更，并与规则、知识库和人工决策流程结合。下面继续从 场景 、原理和模型三个角度展开。
- 场景
- 设备与工业系统：监控温度、振动、电流、压力等传感器数据，提前发现故障与退化趋势，减少停机和损失。
- 业务与运营指标：监控 PV/UV、转化率、订单量、延迟、错误率等关键指标，快速发现突降、突升、异常波动，为运营和技术团队提供告警。
- 安全与风控：分析登录行为、交易序列、访问模式等时间序列，识别潜在攻击、作弊和欺诈行为。
- 原理 异常与变点检测本质上是在“正常模式”上寻找显著偏离和结构突变：
- 对于点异常和序列异常，可以通过统计分布拟合、密度估计或边界学习，判断当前观测是否落在“正常区域”之外。
- 对于变点，则关注时间序列统计特性（均值、方差、相关结构、分布等）在时间轴上的突变，并尝试定位变化发生的时间位置。
- 在高维和多点网络中，需要将多条时间序列之间的依赖结构（如拓扑、相关性）纳入建模，避免将局部异常与整体趋势混淆。
- 模型 从方法族来看，可以大致分为统计方法、单类/孤立学习方法、重构式深度模型和图 + 时序组合模型：
- 统计异常检测：阈值、EWMA、CUSUM 等，对单变量或简单场景极其高效，是传统监控系统的基础。
- 机器学习方法：Isolation Forest、One‑Class SVM 等，用于在多维特征空间中刻画“正常区域”，对异常样本进行孤立。
- 深度重构模型：AutoEncoder / VAE / 时序 GAN，通过学习重构正常序列，在重构误差较大时标记异常。
- 图神经网络 + 时序模型：在传感器网络、微服务指标等场景中，引入图结构和时序模型共同学习正常模式，强化对拓扑相关异常的识别。
下面，我们围绕点/序列异常、变点检测、多维与图结构三个方向展开。
6.3.1 点异常与序列异常：从统计阈值到重构式模型
最直观的异常检测形式是 点异常 ：某个时间点的观测值远离历史正常范围（如 CPU 使用率突然飙到 100%、交易金额异常增大、传感器读数瞬间跳变）。传统方法中，最常见的做法是对历史正常数据拟合一个统计分布或滑动统计量（均值、方差、分位数），在此基础上设定阈值或控制图（如 EWMA、CUSUM），当当前观测超出可接受区间时发出告警。优点是实现简单、计算代价低、易于解释，因此在大量运维监控和工业系统中仍然广泛使用。
当维度提升或模式变得更复杂时，可以引入孤立森林（Isolation Forest）、One‑Class SVM 等单类/孤立学习方法：它们通过在“正常样本”上学习一个聚合区域（或边界），将落在该区域之外的点视为异常。通过在序列的滑动窗口上提取统计特征（如窗口均值、方差、频域特征等），这类方法也可以用于识别局部“序列异常”（即一段时间内行为偏离正常模式），适用于多维指标和难以精确定义分布形态的场景。
在深度学习框架下，基于重构误差的 AutoEncoder / VAE / 时序 GAN 等方法则提供了更灵活的选择：
- 使用 AutoEncoder 或 VAE 在大量正常序列上训练“压缩–重建”模型，使其学会重构正常模式；
- 在在线监控时，将新的时间窗口输入模型，如果重构误差显著增大，则认为该区间存在异常；
- 时序 GAN 类方法则通过学习生成正常序列，在判别器的判定结果或生成误差中寻找异常信号。
这些方法可以适应高度非线性的模式和复杂的协变量结构，特别适合在多维业务指标、复杂设备传感器数据上构建统一异常检测引擎。
6.3.2 变点检测：结构突变与事件生效
与点异常和局部异常不同，**变点检测（Change Point Detection）**关注的是时间序列在结构上的突变：例如均值从一个水平跃迁到另一个水平、波动率发生改变、周期和相关结构出现调整。这类变化往往对应现实世界中的某种事件或状态切换，如配置变更、生效新策略、政策调整、生产工艺改变、市场 regime 切换等，对业务诊断和因果分析极为关键。
传统统计方法中，变点检测常借助似然比检验、CUSUM、Bayesian Online Change Point Detection（BOCPD）等技术：
- 通过在不同时间点前后拟合不同参数的模型（如不同均值/方差），比较“无变点假设”和“有变点假设”的拟合优度；
- 在在线场景中，对每个时间点递推更新“当前段落为止是否出现变点”的后验概率，一旦超过设定阈值则触发告警。
在更复杂的设置下，可以结合深度表示学习与分段模型，将变点检测视作 序列分段问题 ：用神经网络提取特征，再在特征空间中寻找段落边界，或者直接训练模型预测某一时间点属于“变点”的概率。这对于存在多种形态变化（不仅是均值/方差变化）、且难以用简单统计假设刻画的业务指标尤其有用。
在产品体系中，变点检测通常被集成在业务指标分析平台、A/B 实验分析系统、配置与策略变更监控工具中：当关键指标呈现结构性变化时，系统可以自动标记潜在变点，并关联相应的变更事件（如版本发布、参数调整、政策落地），为后续根因分析提供线索。
6.3.3 多维时序与图结构：GNN + 时序模型的联合建模
在现代分布式系统和物联网场景中，我们往往面对的是 多点、多维、具有关联拓扑结构的时间序列 ：例如传感器网络中的多个测点、微服务架构中的各个服务指标、配电网/交通网中的多个节点和边。此时，单独、逐条地对每个时间序列做异常检测，很容易误判局部波动或忽略整体模式——真正的异常往往是“局部–整体不一致”或“拓扑结构中不协调”的表现。
为此，近年来出现了大量图神经网络（GNN） + 时序模型的组合方法：
- 首先根据现实拓扑（物理连接、网络拓扑）或基于数据估计出的相关图，构建一个表示多点之间关系的图结构；
- 在每个时间步上，用 GNN 对节点特征（各点的时序值及其局部上下文）进行消息传递，学习空间关联特征；
- 再将图编码后的表示输入 RNN、TCN 或 Transformer 等时序模型，捕捉时间维度上的动态模式；
- 最终在联合表示上进行异常评分或变点检测，实现 时空联合的异常识别 。
这种框架在传感器网络监控、微服务指标异常检测、城市计算中的时空异常检测等场景中尤其适用：它能够分辨“全局性变化”（如整个系统负载上升）与“局部异常”（如某个节点异常拥塞），也能更好地识别拓扑结构相关的异常模式（如链路级问题、区域性网络故障）。
在工程层面，这类方法通常作为运维 AIOps 告警系统、安全与风控平台、设备群监控系统的高阶能力出现，结合基础统计监控、规则系统和专家知识，为复杂系统提供更智能、更上下文感知的异常发现机制。
6.4 时空序列（Spatio-Temporal Modeling）
在很多关键业务场景里，仅仅建模“时间”是不够的： “什么时候”与“在哪里”并行存在 ，而且二者高度耦合。城市交通流量受路网结构和时间规律共同影响，气象与空气质量既依赖时间演化，也依赖地理邻近与大气流场；物流、共享单车与网约车调度则需要同时考虑需求的时空分布和道路/区域结构。时空序列建模（Spatio‑Temporal Modeling） 正是针对这类“时间 + 空间”联合建模问题的系统方法。
与纯时间序列模型相比，时空模型需要显式把空间依赖结构纳入考虑：相邻路段的交通流量、邻近监测站的空气质量、相连节点的负载与状态，通常比相隔较远的点更具相关性。为此，图神经网络（GNN）、卷积 LSTM（ConvLSTM）等结构被广泛用于结合空间与时间两个维度的特征学习。对应到产品层面，这类能力支撑着城市计算平台（交通/人流预测）、气象/环境预测系统、物流路径规划与共享单车/网约车调度平台等大量关键应用。
- 场景
- 交通流量与人流预测：在路网或地铁网结构上，对不同时段的车流、人流进行预测，辅助信号灯优化、拥堵管理和调度决策。
- 气象与环境监测：在地理网格或监测站网络上，预测未来的温度、降雨、风力、空气质量等时空分布，为预报和决策提供支撑。
- 物流与出行调度：在城市区域或路网结构上预测订单需求、车辆分布、仓库/站点的负载情况，为路径规划、车辆调度和运力分配提供依据。
- 原理 时空序列建模的核心是 在统一框架中同时学习空间相关性与时间动态 ：
- 在空间维度上，通过图结构或卷积结构刻画“谁与谁相关”，并基于此进行消息传递与特征聚合；
- 在时间维度上，利用 RNN、TCN、Transformer 或特化的时序结构刻画动态变化；
- 两者可以串联（先做空间，再做时间），也可以交织或同时作用（如时空卷积、时空注意力）。
- 模型 典型时空模型大多采用“GNN + 时序模型”或“卷积 + LSTM”的组合形态：
- 图神经网络 + 时序模型：ST‑GCN、DCRNN、Graph WaveNet、ST‑Transformer 等，通过图卷积或图注意力捕捉空间依赖，再用时序结构捕捉时间动态。
- 卷积 LSTM 类模型：ConvLSTM、Conv‑TT‑LSTM 等，在时序递推中嵌入空间卷积门控，实现对时空局部特征的联合建模。
下面，我们从时空任务与数据表示、GNN + 时序模型、卷积 LSTM 与时空卷积三个方向展开。
6.5.1 时空任务与数据表示：从路网到地理网格
在进入具体模型之前，时空序列建模首先要解决的是 如何表示空间结构 。与一维时间轴不同，空间结构可以是规则网格（grid）、不规则图（graph）、或者混合形式。
- 在交通场景中，道路与交叉口天然构成一个有向或无向图：节点表示路段或路口，边表示道路连接与行驶方向；每个节点在每个时间步上有一组特征，如车流量、平均速度、拥堵指数等。
- 在气象与空气质量预测中，可以使用规则地理网格（如经纬度网格），或将监测站点之间的邻接关系构建为图结构，基于地理距离、风向或相关性定义边权。
- 在物流与共享出行场景中，可以将城市划分为网格或区域单元，每个单元在时间上具有订单量、活跃车辆数等特征，同时在空间上通过邻接关系或实际道路距离相连。
这种“ 空间结构 + 时间序列 ”的统一表示，使得很多不同场景可以被建模为类似的问题：给定历史时空序列，预测未来若干时间步上每个节点或网格的状态。后续模型设计（无论是 GNN + 时序模型，还是 ConvLSTM）都是在这一统一视角上展开。
在产品层面，这一层的抽象往往封装在城市计算平台、气象/环境预测系统、路径规划与调度平台的数据层与建模层：业务方只需要知道“我们在路网/网格上预测未来流量/需求如何”，而底层的数据表达与时空融合由建模框架统一处理。
6.5.2 图神经网络 + 时序模型：ST‑GCN、DCRNN、Graph WaveNet 等
在图结构上建模时空序列，目前最主流的路线是“ 图神经网络（GNN） + 时序模型 ”的组合。代表模型包括 ST‑GCN、DCRNN、Graph WaveNet、ST‑Transformer 等，它们的共同特点是：
- 在空间维度上使用图卷积（GCN）、图注意力（GAT）或谱域卷积等方法，对每个时间步的节点特征进行“邻域聚合”，从而捕捉空间依赖与拓扑结构的影响；
- 在时间维度上，通过 RNN（如 GRU/LSTM）、TCN、或 Transformer 对节点级特征进行序列建模，捕捉时间趋势和周期性；
- 通过交替堆叠或联合设计，使得模型能够在多个时空尺度上学习局部与全局模式。
例如，DCRNN（Diffusion Convolutional RNN） 将图卷积与门控循环单元结合起来，使用扩散卷积来模拟信息在路网上的传播，再通过 RNN 捕捉时间维度的动态，非常适合交通流量预测等任务。Graph WaveNet 则在图卷积和时间卷积的基础上，引入自适应图结构学习和多尺度建模，提高对复杂路网和非规则拓扑的适应性。ST‑Transformer 等模型则把自注意力机制引入时空建模，通过时空注意力模块同时考虑不同时间和空间位置之间的相关性。
在实际系统中，这一类 GNN + 时序模型广泛部署在城市交通与人流预测平台、共享出行调度系统、复杂 IoT 网络监控等产品中。它们通常作为核心预测引擎之一，与规则系统、仿真模型和业务策略共同组成闭环，使得调度与规划既能考虑全局结构，又能响应局部变化。
6.5.3 卷积 LSTM 与时空卷积：ConvLSTM、Conv‑TT‑LSTM 等
另一条重要路线是基于**卷积 LSTM（ConvLSTM）**及其变体的时空建模。与标准 LSTM 在时间步之间传递一维向量不同，ConvLSTM 在门控结构中使用卷积算子，使得隐藏状态和输入都保持为多维张量（如空间网格上的特征图）。这样，在每个时间步的状态更新中，既包含了时间上的递推，也在空间维度上进行了局部卷积聚合，实现了对时空局部模式的自然建模。
在此基础上，Conv‑TT‑LSTM 等改进模型尝试通过张量分解、参数分享、多尺度卷积等机制，提升模型的表达能力和效率，适应更大规模、更复杂的时空数据。例如，在气象预测中，可以使用 ConvLSTM 堆叠多层，对多通道气象要素图（温度、湿度、风向等）进行时空递推，从历史若干帧预测未来几小时或数天的空间分布；在交通和环境监测中，也可以将路网或监测点映射到规则网格上，使用 ConvLSTM 等模型进行预测。
与 GNN + 时序模型相比，ConvLSTM 系列在规则网格结构、局部空间平滑性明显的场景中使用较多，如气象雷达回波预测、空气质量网格预报、视频帧级预测等。其优势在于实现相对直接、易于利用现有卷积网络基础设施进行加速和部署，也容易与 CNN/ViT 等视觉模型协同使用，如在遥感影像时空建模中结合卷积特征和时序递推。
在产品形态上，这一方向的模型多用于气象/环境预测系统、遥感时空分析平台、视频与影像时空预测等，常常以“未来时空场景预测图”的形式向上游暴露能力，成为业务决策与可视化分析的重要输入。