6. 時間序列與時序決策（Time Series & Sequential Decision）
在前面的視覺和結構化建模中，我們更多是在“靜態”空間下思考問題：一張圖、一條記錄、一段文本。而在真實業務中，極大一部分核心指標都是隨時間演化的：銷售量和流量每天在波動，服務器負載和傳感器讀數每秒在變化，金融價格與宏觀指標則在政策和事件驅動下不斷調整。時間序列與時序決策這層，關注的就是：在時間軸上預測未來、識別異常、刻畫結構突變，並在此基礎上做出有前瞻性的決策與控制。
從產品視角看，這類能力貫穿運營、規劃、風控和調度等關鍵環節：傳統 BI / 報表系統中嵌入的指標預測模塊、財務與供應鏈規劃工具中的需求預測和安全庫存建議、量化研究分析軟件中的宏觀關聯分析和因果關係挖掘、電商和出行平臺上的流量與運力預測、運維 AIOps 中的指標異常檢測與告警，都是這一層的典型落地形態。下面我們從 經典統計方法 、 深度學習時間序列建模 、異常與變點檢測以及時空序列建模四個方向展開。
6.1 經典時間序列建模（Statistical TS Modeling）
在很多業務裡，“時間”是天然的主線：銷售量按日/周變化、網站流量隨活動波動、設備負載跟著用戶行為起伏、傳感器讀數反映著系統狀態的細微變化。經典統計時間序列建模就是在這種時序結構上，利用相對可解釋、可分析的統計模型去回答三個核心問題：未來會怎樣？變量之間如何關聯？系統當前所處的狀態是什麼？ 儘管深度學習已經在許多場景中嶄露頭角，但 ARIMA、協整分析、卡爾曼濾波等傳統方法，仍然在金融、供應鏈、運營、風控等領域長期服役，並常常作為更複雜系統的“基線”和解釋工具。
從應用視角看，經典時間序列模型廣泛存在於傳統 BI/報表系統的指標預測模塊、財務與供應鏈規劃工具、以及各類量化研究軟件中。它們可以直接對單個或多個時間序列給出未來預測區間，也可以用來分析宏觀指標之間的協同變化與長期均衡關係，並通過狀態空間建模對軌跡和隱藏狀態進行估計。下面，我們從 場景 、原理和模型三個維度來梳理這類方法的典型用法，再分別展開具體方向。
- 場景
- 指標預測：對銷售量、網站流量、CPU 負載、傳感器讀數等按時間變化的數值進行短期或中期預測，用於庫存備貨、產能安排、運維調度等決策。
- 宏觀經濟與金融分析：研究 GDP、通脹率、利率、匯率、資產價格等宏觀和市場指標之間的長期關聯和短期動態，輔助政策研究與量化策略開發。
- 過程與軌跡估計：在定位、導航、目標跟蹤和設備監控中，對隨時間變化的軌跡、速度、狀態進行估計與平滑，並在噪聲環境中儘可能還原“真實過程”。
- 原理 經典時間序列方法普遍基於“ 統計假設 + 參數化結構 ”的思路：
- 假定時間序列滿足一定的平穩性或弱平穩性條件，通過自相關結構（自相關函數 ACF、偏自相關函數 PACF）刻畫“當前值由過去多少階的歷史決定”。
- 在多變量情形中，通過協整與向量自迴歸（VAR）模型，刻畫多個時間序列之間的長期均衡關係與短期偏離修正。
- 對於噪聲嚴重、狀態不可直接觀測的系統，引入隱含狀態（latent state）與觀測方程組成狀態空間模型，用貝葉斯推斷或遞推濾波（如卡爾曼濾波）進行在線估計與預測。
- 模型 這類方法的模型族相對明確、結構清晰，便於解釋和調參：
- 單變量與多變量 AR/MA/ARIMA/SARIMA 系列，用於平穩/季節性時間序列建模，是 BI 系統和傳統預測模塊的“常駐成員”。
- VAR/協整模型，用於多維宏觀和金融時間序列的聯合建模和因果關係檢驗，適合政策和策略層面的關聯分析。
- 狀態空間模型與卡爾曼濾波、隱馬爾可夫模型（HMM）等，用於軌跡估計、設備狀態估計以及隱藏狀態的推斷，是工程控制與信號處理中的基礎工具。
綜合來看，經典時間序列建模的優勢在於 可解釋性、可診斷性和工程可控性 ：建模流程、假設檢驗、殘差分析都有成熟規範，很容易融入現有 BI 與規劃系統。下面，我們從單/多變量預測、協整與因果、狀態空間三個方向展開。
6.1.1 單變量/多變量時間序列預測：從 ARIMA 到 VAR
在最典型的業務場景中，我們首先面對的是一條或若干條按時間排序的指標曲線：例如某商品每日銷量、站點每小時 PV、機房每分鐘 CPU 使用率、設備傳感器每秒讀數。目標是根據歷史走勢對未來的短期或中期區間給出預測，並給出合理的置信區間。AR/MA/ARMA/ARIMA/SARIMA 系列模型正是為此設計的標準工具。
對單變量序列來說，ARIMA 類模型假設“當前值由過去若干期的歷史值和隨機擾動線性決定”，通過對序列做差分、季節差分來消除趨勢和季節性，使其趨於平穩：
- AR（自迴歸）部分刻畫“自身滯後對當前值的影響”；
- MA（滑動平均）部分捕捉“歷史誤差項對當前值的影響”；
- I（差分）部分負責去除趨勢；
- 加上季節項後得到 SARIMA，可以顯式描述周度、月度等週期性結構。
在工程使用中，通常會先做平穩性檢驗（如 ADF）、觀察 ACF/PACF 圖，再通過信息準則（AIC/BIC）和殘差診斷選取合理的階數。對於具有明顯季節性的指標（如電商日銷量、節假日流量）尤其適合 SARIMA 建模，配合假日特徵或外生變量可以進一步改善預測性能。
當我們希望一次性建模多條相關時間序列時，可以引入 多變量時間序列模型 。代表方法是 VAR（向量自迴歸）與其變體。VAR 將多個序列視為一個聯合向量，用自身及彼此的滯後項共同解釋當前值，從而捕捉不同指標之間的相互影響。例如，在宏觀經濟分析中，可以將 GDP 增速、通脹率、利率、匯率等納入同一個 VAR 模型，研究衝擊響應和傳導路徑；在業務運營中，也可以用 VAR 描述“一個渠道的流量變化如何影響其他渠道”“促銷強度與銷量之間的動態關係”，為資源調配提供參考。
在產品化形態上，這一類單/多變量預測能力通常嵌入在傳統 BI / 報表系統的預測功能、財務與供應鏈規劃工具中：用戶選定某條或若干條時間序列，系統自動完成建模與預測，並提供預測區間、殘差分析和模型診斷報告，用於輔助決策，而不必深入理解決策背後的所有數學細節。
6.1.2 協整與因果關係：宏觀指標之間的長期均衡
在經濟與金融領域，很多時間序列表面看似隨機遊走，但在更長的時間尺度上存在某種 穩定的長期均衡關係 。典型例子包括匯率與利差、股指與宏觀盈利、商品價格與成本指數等。單獨看每條序列，可能都是非平穩的；但某種線性組合卻在長期內圍繞一個穩定水平波動。這種現象被稱為 協整（cointegration） ，它為我們理解宏觀指標之間的結構性關係提供了重要線索。
在工程實踐中，協整分析通常包括幾個步驟：
- 對各個時間序列進行單位根檢驗，確認其為同階單整（例如都為 I(1)）；
- 進行協整檢驗（如 Engle-Granger 兩步法、Johansen 檢驗等），判斷是否存在非平凡的線性組合使得該組合平穩；
- 若發現協整關係，可以構建誤差修正模型（ECM），刻畫“短期偏離長期均衡時，系統如何逐步修正回到平衡狀態”。
與協整相關的，是 Granger 因果關係檢驗 。它並不是嚴格意義上的哲學“因果”，而是一種基於預測能力的統計定義：如果變量 X 的歷史信息可以顯著提高對變量 Y 的預測精度，則稱“X Granger 導致 Y”。通過在 VAR 或迴歸框架下比較有/無某個變量滯後項時的預測誤差，可以評估不同宏觀或市場指標之間的方向性影響。在量化研究和宏觀分析中，這種檢驗常用於甄別潛在的領先指標、構建因子、或者驗證策略假說。
從產品視角看，協整與因果分析更多出現在量化研究分析軟件、宏觀經濟分析平臺和金融研究工具中。它們幫助研究者從成堆的時間序列中抽取出相對穩健的結構關係，並將這些關係映射到更高層次的業務概念（如“利率對匯率的長期約束”“不同資產之間的價差迴歸”），成為策略設計與風險管理的重要依據。
6.1.3 狀態空間模型與隱狀態估計：卡爾曼濾波與 HMM
在許多真實系統中，我們觀測到的時間序列只是 噪聲汙染後的表象 ，而真正感興趣的是背後隨時間演化的“系統狀態”：例如車輛的真實位置和速度、設備的健康狀態、用戶的潛在行為模式等。此時，如果仍然只在觀測序列上做 ARIMA 式建模，就很難充分利用對系統結構的理解。**狀態空間模型（State Space Models）**正是為這種“隱狀態 + 噪聲觀測”的問題而提出。
狀態空間模型通常由兩部分構成：
- 狀態轉移方程：描述隱藏狀態如何隨時間演化，可以是線性的也可以是非線性的；
- 觀測方程：描述隱藏狀態如何生成帶噪聲的觀測值。
在線性高斯假設下，這個框架可以通過卡爾曼濾波（Kalman Filter）和平滑器（Smoother） 實現對狀態的遞推估計與預測：每一步分為“預測”和“更新”兩大階段，將上一時刻的狀態分佈與當前觀測結合，得到新的狀態估計。這在導航與定位（如軌跡估計、目標跟蹤）、金融時間序列（如波動率估計）、設備狀態估計（如健康監控、剩餘壽命預測）中極其常見。
與連續狀態空間模型相鄰的，是 隱馬爾可夫模型（HMM） 。HMM 假設系統在若干個離散的隱狀態之間隨時間轉移，每個隱狀態下生成觀測數據的概率分佈不同。通過前向–後向算法和 Viterbi 算法，HMM 可以估計隱狀態序列、計算觀察序列概率，並對下一步狀態與觀測做預測。HMM 早期廣泛用於語音識別、文本標註，也常用於簡單的行為模式識別與事件序列建模，在某些工業與金融場景中仍有其優勢——結構可解釋、訓練穩定、與領域經驗易於結合。
在系統層面，狀態空間建模、卡爾曼濾波和 HMM 常作為軌跡估計、設備狀態估計、金融與工程控制系統的底層模塊，被封裝在更大的工具鏈中。它們不一定直接暴露給終端用戶，但在導航、目標跟蹤、工業控制、風險計量等產品背後，長期扮演著“隱形引擎”的角色。
6.2 深度學習時間序列建模（Deep TS Forecasting）
隨著數據規模和場景複雜度的持續上升，單純依賴線性、平穩性假設的經典模型在很多應用中開始顯得“力不從心”：大量非線性模式、長跨度依賴、複雜的多變量交互、突發行為與週期疊加等特點，使得我們需要更靈活、更高容量的模型結構。深度學習時間序列建模正是在這一背景下發展起來的：從 RNN/LSTM/GRU，到 Temporal CNN/TCN，再到時序專用 Transformer、混合與分層模型，它們共同構成了現代時序預測與建模的主力工具箱。
從應用視角來看，深度時序模型已經廣泛部署在電商流量 & 銷量預測平臺、供需/運力/排班預測系統、雲資源負載預測與容量規劃工具中，用於在多品類、多門店、多城市、甚至多業務線的複雜結構下，給出統一而靈活的預測方案。與經典模型相比，它們更強調“端到端表示學習”和“全局模式建模”，更擅長處理長序列、高維、多變量場景。下面，我們同樣從 場景 、原理和模型三個維度展開。
- 場景
- 大規模多序列預測：成千上萬條商品、門店、城市維度的銷量/流量序列，需要在一個統一模型下同時建模，並支持冷啟動與長尾序列。
- 複雜運營與調度：供電/供水/運力/排班等系統中，需求受多維特徵影響（天氣、節假日、價格、活動），且存在多層級結構（門店/城市/全國），需要同時兼顧全局模式與局部差異。
- 雲資源與基礎設施：大規模服務器集群、容器平臺、網絡與存儲負載，呈現高度非線性和多峰結構，需要高頻預測與容量規劃支撐 SLO。
- 原理 深度時序模型的核心在於 自動從歷史序列與協變量中學習多尺度模式與長期依賴 ：
- RNN/LSTM/GRU 通過循環結構顯式地在時間維度上傳遞“記憶”，適合捕獲順序依賴與局部時間結構。
- Temporal CNN / TCN 使用一維卷積和膨脹卷積，在保證因果性的前提下擴大感受野，實現並行訓練與穩定梯度傳播。
- 時序 Transformer 與專門設計的變體（Informer、Autoformer、TimesNet 等）利用自注意力機制，在長序列、多變量設置下建模複雜依賴和週期性模式。
- 混合與分層模型進一步引入“全局 + 局部”“多層級時間序列”的結構假設，在統一框架中同時學習全局模式與個體特徵。
- 模型 在具體實現上，深度時序建模湧現出一系列具有代表性的架構：
- 經典深度序列模型：RNN/LSTM/GRU 以及基於它們的 DeepAR 等自迴歸概率預測模型。
- 分解與預測一體化模型：N‑BEATS 等通過顯式趨勢/季節分解模塊增強可解釋性。
- 基於注意力的時序模型：Temporal Fusion Transformer（TFT）等結合注意力、門控、變量選擇，適用於多變量、有豐富協變量的業務場景。
- 長序列 Transformer 模型：Informer、Autoformer、TimesNet、PatchTST 等，圍繞長序列效率與多尺度建模做出專門設計。
下面，我們從深度序列模型、卷積與 Transformer、以及混合與分層建模三個方向展開。
6.2.1 深度 RNN/LSTM/GRU：從單序列到 DeepAR
在深度學習進入時間序列領域初期，RNN/LSTM/GRU 是最自然的選擇。與文本和語音建模類似，它們通過在時間步之間傳遞隱狀態來“記憶”歷史信息，允許捕捉比傳統線性模型更復雜的非線性和長期依賴。對於單條或少量時間序列，簡單的 LSTM/GRU 在有足夠數據時就可以取得不錯的預測效果；而在大規模多序列場景中，則可以採用 共享參數的 RNN/LSTM/GRU 模型 ，在所有序列上進行聯合訓練，從而學習到通用的時序模式。
在此基礎上，類似 DeepAR 的自迴歸概率模型為深度時序建模提供了一個標準框架：它將歷史觀測和協變量輸入一個共享的 RNN/LSTM/GRU 網絡，在每個時間步上輸出序列值的條件分佈參數（如高斯、負二項分佈等），並通過最大似然訓練實現端到端的概率預測。這樣的設計使模型能夠自然生成預測區間、處理不規則的尺度和多序列混合，有利於在電商銷量、需求預測等場景中落地。
然而，RNN 類模型存在典型問題：長序列上的梯度衰減，以及在訓練階段無法完全並行化。雖然門控機制（LSTM/GRU）緩解了部分問題，但在特別長的時間跨度和高頻數據下，訓練與推理效率仍然是需要權衡的因素。這也促使業界和學術界探索更加並行友好的結構，如 TCN 和 Transformer。
6.2.2 Temporal CNN 與 Transformer：從局部卷積到長序列注意力
為了解決 RNN 在長序列上的效率和穩定性問題，Temporal CNN / TCN 引入了一維卷積和膨脹卷積來建模時間依賴：通過堆疊多層因果卷積、逐層擴大感受野，它在不破壞時間因果性的前提下，實現了對遠距離歷史的建模。相比 RNN，TCN 在訓練時可以高度並行，梯度傳播路徑更短，因此在訓練穩定性和效率上表現突出，適合用在高頻數據、需要較大感受野的工業時序預測場景中。
在更高的複雜度層級上，Transformer 與時序專用結構成為近年來長序列、多變量時間序列建模的主角。直接使用標準 Transformer 會遇到計算複雜度隨序列長度平方級增長的問題，因此湧現出一系列面向時序的改造方案：
- Informer 通過概率稀疏自注意力等機制，降低長序列上的計算負擔，並針對預測任務優化結構。
- Autoformer 將趨勢與季節性分解融入自注意力框架，試圖在保持長序列建模能力的同時提升可解釋性和穩定性。
- TimesNet 通過在時間–頻率域或多尺度展開中增強對週期與模式的感知，更好地處理複雜、多週期的長序列。
- PatchTST 借鑑 Vision Transformer 的“patch”思想，將連續子序列視作補丁，提高長序列時的建模效率與泛化能力。
這類模型往往特別適合長序列、多變量、高維協變量的複雜時序場景，如大規模雲資源負載、多區域能源需求、多渠道流量預測等。它們可以在一個統一架構中同時建模多維輸入、靜態特徵和時間相關變量，並通過注意力權重為後續解釋與診斷提供一定線索。
6.2.3 混合與分層模型：全局 + 局部、多層級時間序列
在實際業務中，時間序列很少是“孤立”的：它們往往具有明顯的 層級結構與共享模式 ——例如門店/城市/區域/全國的銷售層級，SKU/品類/品牌的商品層級，或業務線/產品/渠道的組織結構。如果簡單地為每條序列單獨建模，很難利用到這一層次結構；而直接把所有序列混在一起，又會忽略各自的個性化差異。混合與分層模型正是為解決這類問題而設計。
一類常見思路是 全局 + 局部模型 ：通過一個共享的“全局模型”學習所有序列的共性模式（如總體趨勢、節假日效應、季節性），同時為每條序列或每個子群體引入局部參數或嵌入向量，捕捉個體特性。這種結構既避免了為長尾序列單獨訓練模型導致的數據稀疏問題，又保留了在熱門序列上進行精細建模的能力。
另一類是 多層級時間序列（hierarchical TS）建模 ：在預測過程中顯式考慮層級約束（如子層級之和需要與上層級預測一致），通過自頂向下、自底向上或中間層級的聯合優化，使各層級預測在數值和結構上保持一致。在深度時序框架下，這通常表現為在輸入編碼中加入層級特徵、為不同層級設計多頭輸出，或使用分層損失函數進行訓練。
從產品視角看，這類混合與分層建模廣泛應用於電商銷量預測平臺、供需/運力/排班預測系統等場景：系統需要同時給出“單店單品”“城市級別”“全國總量”等不同粒度的預測，並在資源規劃和 KPI 拆解過程中保持上下層的一致性。深度模型的靈活結構，使得這類約束可以通過端到端方式嵌入建模過程，而不必完全依賴事後修正。
6.3 異常檢測與變點檢測（Anomaly & Change Point Detection）
在時間序列場景中，“預測未來”只是問題的一部分，另一部分同樣關鍵的是： 實時發現異常與結構變化 。無論是設備運行、業務指標、交易行為，還是運維監控，異常檢測與變點檢測都是保障系統穩定、識別風險機會的核心能力。傳統上，統計閾值法、EWMA、CUSUM 等方法廣泛使用；隨著數據維度和複雜度提升，各類機器學習與深度學習方法（孤立森林、One‑Class SVM、AutoEncoder/VAE、時序 GAN、GNN + 時序模型）也開始扮演重要角色。
從產品形態來看，這類能力往往內嵌在設備故障預警系統、業務指標異常報警平臺（如轉化率突降）、安全攻擊與欺詐檢測系統、運維 AIOps 告警引擎中，通過實時監控多維時序信號，自動標記可疑點和結構變更，並與規則、知識庫和人工決策流程結合。下面繼續從 場景 、原理和模型三個角度展開。
- 場景
- 設備與工業系統：監控溫度、振動、電流、壓力等傳感器數據，提前發現故障與退化趨勢，減少停機和損失。
- 業務與運營指標：監控 PV/UV、轉化率、訂單量、延遲、錯誤率等關鍵指標，快速發現突降、突升、異常波動，為運營和技術團隊提供告警。
- 安全與風控：分析登錄行為、交易序列、訪問模式等時間序列，識別潛在攻擊、作弊和欺詐行為。
- 原理 異常與變點檢測本質上是在“正常模式”上尋找顯著偏離和結構突變：
- 對於點異常和序列異常，可以通過統計分佈擬合、密度估計或邊界學習，判斷當前觀測是否落在“正常區域”之外。
- 對於變點，則關注時間序列統計特性（均值、方差、相關結構、分佈等）在時間軸上的突變，並嘗試定位變化發生的時間位置。
- 在高維和多點網絡中，需要將多條時間序列之間的依賴結構（如拓撲、相關性）納入建模，避免將局部異常與整體趨勢混淆。
- 模型 從方法族來看，可以大致分為統計方法、單類/孤立學習方法、重構式深度模型和圖 + 時序組合模型：
- 統計異常檢測：閾值、EWMA、CUSUM 等，對單變量或簡單場景極其高效，是傳統監控系統的基礎。
- 機器學習方法：Isolation Forest、One‑Class SVM 等，用於在多維特徵空間中刻畫“正常區域”，對異常樣本進行孤立。
- 深度重構模型：AutoEncoder / VAE / 時序 GAN，通過學習重構正常序列，在重構誤差較大時標記異常。
- 圖神經網絡 + 時序模型：在傳感器網絡、微服務指標等場景中，引入圖結構和時序模型共同學習正常模式，強化對拓撲相關異常的識別。
下面，我們圍繞點/序列異常、變點檢測、多維與圖結構三個方向展開。
6.3.1 點異常與序列異常：從統計閾值到重構式模型
最直觀的異常檢測形式是 點異常 ：某個時間點的觀測值遠離歷史正常範圍（如 CPU 使用率突然飆到 100%、交易金額異常增大、傳感器讀數瞬間跳變）。傳統方法中，最常見的做法是對歷史正常數據擬合一個統計分佈或滑動統計量（均值、方差、分位數），在此基礎上設定閾值或控制圖（如 EWMA、CUSUM），噹噹前觀測超出可接受區間時發出告警。優點是實現簡單、計算代價低、易於解釋，因此在大量運維監控和工業系統中仍然廣泛使用。
當維度提升或模式變得更復雜時，可以引入孤立森林（Isolation Forest）、One‑Class SVM 等單類/孤立學習方法：它們通過在“正常樣本”上學習一個聚合區域（或邊界），將落在該區域之外的點視為異常。通過在序列的滑動窗口上提取統計特徵（如窗口均值、方差、頻域特徵等），這類方法也可以用於識別局部“序列異常”（即一段時間內行為偏離正常模式），適用於多維指標和難以精確定義分佈形態的場景。
在深度學習框架下，基於重構誤差的 AutoEncoder / VAE / 時序 GAN 等方法則提供了更靈活的選擇：
- 使用 AutoEncoder 或 VAE 在大量正常序列上訓練“壓縮–重建”模型，使其學會重構正常模式；
- 在在線監控時，將新的時間窗口輸入模型，如果重構誤差顯著增大，則認為該區間存在異常；
- 時序 GAN 類方法則通過學習生成正常序列，在判別器的判定結果或生成誤差中尋找異常信號。
這些方法可以適應高度非線性的模式和複雜的協變量結構，特別適合在多維業務指標、複雜設備傳感器數據上構建統一異常檢測引擎。
6.3.2 變點檢測：結構突變與事件生效
與點異常和局部異常不同，**變點檢測（Change Point Detection）**關注的是時間序列在結構上的突變：例如均值從一個水平躍遷到另一個水平、波動率發生改變、週期和相關結構出現調整。這類變化往往對應現實世界中的某種事件或狀態切換，如配置變更、生效新策略、政策調整、生產工藝改變、市場 regime 切換等，對業務診斷和因果分析極為關鍵。
傳統統計方法中，變點檢測常藉助似然比檢驗、CUSUM、Bayesian Online Change Point Detection（BOCPD）等技術：
- 通過在不同時間點前後擬合不同參數的模型（如不同均值/方差），比較“無變點假設”和“有變點假設”的擬合優度；
- 在在線場景中，對每個時間點遞推更新“當前段落為止是否出現變點”的後驗概率，一旦超過設定閾值則觸發告警。
在更復雜的設置下，可以結合深度表示學習與分段模型，將變點檢測視作 序列分段問題 ：用神經網絡提取特徵，再在特徵空間中尋找段落邊界，或者直接訓練模型預測某一時間點屬於“變點”的概率。這對於存在多種形態變化（不僅是均值/方差變化）、且難以用簡單統計假設刻畫的業務指標尤其有用。
在產品體系中，變點檢測通常被集成在業務指標分析平臺、A/B 實驗分析系統、配置與策略變更監控工具中：當關鍵指標呈現結構性變化時，系統可以自動標記潛在變點，並關聯相應的變更事件（如版本發佈、參數調整、政策落地），為後續根因分析提供線索。
6.3.3 多維時序與圖結構：GNN + 時序模型的聯合建模
在現代分佈式系統和物聯網場景中，我們往往面對的是 多點、多維、具有關聯拓撲結構的時間序列 ：例如傳感器網絡中的多個測點、微服務架構中的各個服務指標、配電網/交通網中的多個節點和邊。此時，單獨、逐條地對每個時間序列做異常檢測，很容易誤判局部波動或忽略整體模式——真正的異常往往是“局部–整體不一致”或“拓撲結構中不協調”的表現。
為此，近年來出現了大量圖神經網絡（GNN） + 時序模型的組合方法：
- 首先根據現實拓撲（物理連接、網絡拓撲）或基於數據估計出的相關圖，構建一個表示多點之間關係的圖結構；
- 在每個時間步上，用 GNN 對節點特徵（各點的時序值及其局部上下文）進行消息傳遞，學習空間關聯特徵；
- 再將圖編碼後的表示輸入 RNN、TCN 或 Transformer 等時序模型，捕捉時間維度上的動態模式；
- 最終在聯合表示上進行異常評分或變點檢測，實現 時空聯合的異常識別 。
這種框架在傳感器網絡監控、微服務指標異常檢測、城市計算中的時空異常檢測等場景中尤其適用：它能夠分辨“全局性變化”（如整個系統負載上升）與“局部異常”（如某個節點異常擁塞），也能更好地識別拓撲結構相關的異常模式（如鏈路級問題、區域性網絡故障）。
在工程層面，這類方法通常作為運維 AIOps 告警系統、安全與風控平臺、設備群監控系統的高階能力出現，結合基礎統計監控、規則系統和專家知識，為複雜系統提供更智能、更上下文感知的異常發現機制。
6.4 時空序列（Spatio-Temporal Modeling）
在很多關鍵業務場景裡，僅僅建模“時間”是不夠的： “什麼時候”與“在哪裡”並行存在 ，而且二者高度耦合。城市交通流量受路網結構和時間規律共同影響，氣象與空氣質量既依賴時間演化，也依賴地理鄰近與大氣流場；物流、共享單車與網約車調度則需要同時考慮需求的時空分佈和道路/區域結構。時空序列建模（Spatio‑Temporal Modeling） 正是針對這類“時間 + 空間”聯合建模問題的系統方法。
與純時間序列模型相比，時空模型需要顯式把空間依賴結構納入考慮：相鄰路段的交通流量、鄰近監測站的空氣質量、相連節點的負載與狀態，通常比相隔較遠的點更具相關性。為此，圖神經網絡（GNN）、卷積 LSTM（ConvLSTM）等結構被廣泛用於結合空間與時間兩個維度的特徵學習。對應到產品層面，這類能力支撐著城市計算平臺（交通/人流預測）、氣象/環境預測系統、物流路徑規劃與共享單車/網約車調度平臺等大量關鍵應用。
- 場景
- 交通流量與人流預測：在路網或地鐵網結構上，對不同時段的車流、人流進行預測，輔助信號燈優化、擁堵管理和調度決策。
- 氣象與環境監測：在地理網格或監測站網絡上，預測未來的溫度、降雨、風力、空氣質量等時空分佈，為預報和決策提供支撐。
- 物流與出行調度：在城市區域或路網結構上預測訂單需求、車輛分佈、倉庫/站點的負載情況，為路徑規劃、車輛調度和運力分配提供依據。
- 原理 時空序列建模的核心是 在統一框架中同時學習空間相關性與時間動態 ：
- 在空間維度上，通過圖結構或卷積結構刻畫“誰與誰相關”，並基於此進行消息傳遞與特徵聚合；
- 在時間維度上，利用 RNN、TCN、Transformer 或特化的時序結構刻畫動態變化；
- 兩者可以串聯（先做空間，再做時間），也可以交織或同時作用（如時空卷積、時空注意力）。
- 模型 典型時空模型大多采用“GNN + 時序模型”或“卷積 + LSTM”的組合形態：
- 圖神經網絡 + 時序模型：ST‑GCN、DCRNN、Graph WaveNet、ST‑Transformer 等，通過圖卷積或圖注意力捕捉空間依賴，再用時序結構捕捉時間動態。
- 卷積 LSTM 類模型：ConvLSTM、Conv‑TT‑LSTM 等，在時序遞推中嵌入空間卷積門控，實現對時空局部特徵的聯合建模。
下面，我們從時空任務與數據表示、GNN + 時序模型、卷積 LSTM 與時空卷積三個方向展開。
6.5.1 時空任務與數據表示：從路網到地理網格
在進入具體模型之前，時空序列建模首先要解決的是 如何表示空間結構 。與一維時間軸不同，空間結構可以是規則網格（grid）、不規則圖（graph）、或者混合形式。
- 在交通場景中，道路與交叉口天然構成一個有向或無向圖：節點表示路段或路口，邊表示道路連接與行駛方向；每個節點在每個時間步上有一組特徵，如車流量、平均速度、擁堵指數等。
- 在氣象與空氣質量預測中，可以使用規則地理網格（如經緯度網格），或將監測站點之間的鄰接關係構建為圖結構，基於地理距離、風向或相關性定義邊權。
- 在物流與共享出行場景中，可以將城市劃分為網格或區域單元，每個單元在時間上具有訂單量、活躍車輛數等特徵，同時在空間上通過鄰接關係或實際道路距離相連。
這種“ 空間結構 + 時間序列 ”的統一表示，使得很多不同場景可以被建模為類似的問題：給定歷史時空序列，預測未來若干時間步上每個節點或網格的狀態。後續模型設計（無論是 GNN + 時序模型，還是 ConvLSTM）都是在這一統一視角上展開。
在產品層面，這一層的抽象往往封裝在城市計算平臺、氣象/環境預測系統、路徑規劃與調度平臺的數據層與建模層：業務方只需要知道“我們在路網/網格上預測未來流量/需求如何”，而底層的數據表達與時空融合由建模框架統一處理。
6.5.2 圖神經網絡 + 時序模型：ST‑GCN、DCRNN、Graph WaveNet 等
在圖結構上建模時空序列，目前最主流的路線是“ 圖神經網絡（GNN） + 時序模型 ”的組合。代表模型包括 ST‑GCN、DCRNN、Graph WaveNet、ST‑Transformer 等，它們的共同特點是：
- 在空間維度上使用圖卷積（GCN）、圖注意力（GAT）或譜域卷積等方法，對每個時間步的節點特徵進行“鄰域聚合”，從而捕捉空間依賴與拓撲結構的影響；
- 在時間維度上，通過 RNN（如 GRU/LSTM）、TCN、或 Transformer 對節點級特徵進行序列建模，捕捉時間趨勢和週期性；
- 通過交替堆疊或聯合設計，使得模型能夠在多個時空尺度上學習局部與全局模式。
例如，DCRNN（Diffusion Convolutional RNN） 將圖卷積與門控循環單元結合起來，使用擴散卷積來模擬信息在路網上的傳播，再通過 RNN 捕捉時間維度的動態，非常適合交通流量預測等任務。Graph WaveNet 則在圖卷積和時間卷積的基礎上，引入自適應圖結構學習和多尺度建模，提高對複雜路網和非規則拓撲的適應性。ST‑Transformer 等模型則把自注意力機制引入時空建模，通過時空注意力模塊同時考慮不同時間和空間位置之間的相關性。
在實際系統中，這一類 GNN + 時序模型廣泛部署在城市交通與人流預測平臺、共享出行調度系統、複雜 IoT 網絡監控等產品中。它們通常作為核心預測引擎之一，與規則系統、仿真模型和業務策略共同組成閉環，使得調度與規劃既能考慮全局結構，又能響應局部變化。
6.5.3 卷積 LSTM 與時空卷積：ConvLSTM、Conv‑TT‑LSTM 等
另一條重要路線是基於**卷積 LSTM（ConvLSTM）**及其變體的時空建模。與標準 LSTM 在時間步之間傳遞一維向量不同，ConvLSTM 在門控結構中使用卷積算子，使得隱藏狀態和輸入都保持為多維張量（如空間網格上的特徵圖）。這樣，在每個時間步的狀態更新中，既包含了時間上的遞推，也在空間維度上進行了局部卷積聚合，實現了對時空局部模式的自然建模。
在此基礎上，Conv‑TT‑LSTM 等改進模型嘗試通過張量分解、參數分享、多尺度卷積等機制，提升模型的表達能力和效率，適應更大規模、更復雜的時空數據。例如，在氣象預測中，可以使用 ConvLSTM 堆疊多層，對多通道氣象要素圖（溫度、溼度、風向等）進行時空遞推，從歷史若干幀預測未來幾小時或數天的空間分佈；在交通和環境監測中，也可以將路網或監測點映射到規則網格上，使用 ConvLSTM 等模型進行預測。
與 GNN + 時序模型相比，ConvLSTM 系列在規則網格結構、局部空間平滑性明顯的場景中使用較多，如氣象雷達回波預測、空氣質量網格預報、視頻幀級預測等。其優勢在於實現相對直接、易於利用現有卷積網絡基礎設施進行加速和部署，也容易與 CNN/ViT 等視覺模型協同使用，如在遙感影像時空建模中結合卷積特徵和時序遞推。
在產品形態上，這一方向的模型多用於氣象/環境預測系統、遙感時空分析平臺、視頻與影像時空預測等，常常以“未來時空場景預測圖”的形式向上遊暴露能力，成為業務決策與可視化分析的重要輸入。