基于时间图神经网络多的产品需求预测：跨序列依赖性建模实战指南

更少、更清晰的连接也有助于解释模型决策，使得更容易追踪"SKU-7 → SKU-10"等影响路径。 效果是发现仅有少数真实交互关系（例如"SKU-7 ⟶ SKU-10"）。 由于A在每次前向传播中重新计算，网络可以在学习时间权重的同时适应拓扑结构，实现端到端的图结构学习。 当SKU-7影响SKU-10时，SARIMAX必须依赖lag-7自回归项作为代理。简单指数平滑假设需求遵循带漂移均值的随机游走，适合平稳的日用品但会迅速错过协调的促销激增。