一种面向高动态网络的因果增强时空图预测模型

来源：计算机测量与控制杂志2026年第2期北京时间：

作者：张家畅,霍永华,张立斌

单位：中国电子科技集团公司第五十四研究所

摘要：针对高动态环境下网络链路质量预测的问题，提出了一种状态聚类引导的因果时空图卷积网络架构Causal-Clustered STGCN（CC-STGCN）。突破了基于形状相似性的时序状态划分、状态特异的格兰杰因果图构建，以及因果约束下的时空特征聚合等关键技术，实现了对网络运行模式的自适应感知与跨物理连接的隐性依赖捕捉。核心思想是通过K-shape聚类将连续状态划分为典型模式，并在各状态内部基于格兰杰因果检验构建有向加权因果图，以取代传统物理拓扑作为图卷积的空间先验，使特征聚合严格遵循因果路径。实验基于SynthSoM数据集，在标准场景下预测精度较最优基线提升6.7%，并在复杂场景中保持优势。

关键词：图神经网络, 因果图, 链路质量, K-shape聚类，高动态网络