图波状态空间模型如何传播时空模式？

当前场为何无法决定未来

多数时空图模型采用先空间后时间的顺序：图神经网络编码每个快照，再由循环网络、注意力或状态空间模型等时间模块把快照表示跨时间连接起来。论文认为，这种分解从未显式表示模式如何在图上移动。对于传播过程，当近期变化率（即速度）不同时，相同的当前激活空间分布可以走向不同的未来。

论文的合成实验把这一点具体化。两条配对轨迹在时刻 t 共享同一张图和完全相同的节点模式，但到达时的近期运动方向相反，因此在 t + 12 落在不同的未来位置。所有具备历史信息的模型都接收截至 t 的相同三帧历史。论文报告，在 t + 12 处对两个运动方向取平均的 Pearson 模式相关系数为：GCN-LSTM 0.90，GCN-SSM 0.69，去掉运动状态的 WaveGSSM 0.71，完整 WaveGSSM 0.99。作者的解释是，速度可以从时间历史中推断，但始终是隐式的，而推断速度的误差会在递归预报中累积，使预测模式偏离其正确位置。

每个节点两个耦合状态，一次转移推进

WaveGSSM 是一个二阶图状态空间模型。它在每个节点维护两个耦合的隐状态：表示当前隐模式的模式状态 U_t，以及表示该模式时间变化率的运动状态 V_t。在每个图波块内，图交互和输入相关的强迫项先更新运动状态；更新后的运动状态再推进模式状态。因此空间传播与时间演化发生在同一次 rollout 中，而不是分成两个阶段。

该架构保持与快照流水线相同的外部块接口，因此与基线的比较不改变模型宽度或解码器接口。论文还报告了一个受控变体，即不携带运动状态的 WaveGSSM，它保留支撑图、学习到的图算子、强迫映射、刚度、阻尼、初始运动状态映射、隐藏宽度、块数、任务读出、分类器、损失和优化协议。唯一改变的是从一个 rollout 步传递到下一步的状态：初始化之后，传入的运动状态被置零，使递归状态变为一阶。这样就把持续的运动状态递归与其他因素隔离开来。

四个时序图基准上平均表现最佳

第一个评估设置是直推式时序节点分类，使用取自 GraphSSM 的四个离散时间时序图基准：DBLP-3、Brain、Reddit 和 DBLP-10。每个数据集包含共享节点集上的一系列图快照，以及节点特征和节点级类别标签。这些数据集跨越不同的时间机制，从 Brain 中快速变化的连接（结构时间连续性得分 0.024）到 DBLP-10 中持久得多的结构（0.823）。

WaveGSSM 使用每个数据集列出的训练、验证和测试比例，在训练节点上用交叉熵损失训练，按种子选择验证 Micro-F1 最高的检查点，并报告五个种子（0 到 4）平均的测试 Micro-F1 和 Macro-F1 及总体标准差。论文指出，WaveGSSM 在这些基准上始终取得最佳平均表现。基线包括静态图嵌入方法、时序图嵌入方法、离散时间时序 GNN，以及作为最接近的状态空间对照的 GraphSSM；旧基线结果取自 GraphSSM 基准，而 GraphSSM 一行报告的是作者重跑的结果。

位势 RMSE 在短预报时效下降最多

第二个设置是 ERA5 再分析资料上的每日全球天气预报，数据重网格化为 360×181 个格点的规则 1° 经纬度网格。预报状态包含八个目标通道：150、200、300、500、850 和 1000 hPa 的位势，加上每日最高 2 米温度和第一层体积土壤湿度。训练覆盖 1979-01-01 至 2023-12-31，验证使用 2024 年，测试保留 2025 年。每次预报从两个连续日状态出发，每个自回归步推进一天。

核心比较对象是 GraphCast*，一个骨干匹配的快照基线，使用相同的网格到网格编码器、网格到网格解码器、隐藏宽度、处理器深度、目标变量、两帧历史、训练时域、损失和优化协议，但没有图波模式–运动转移。星号表示这是作者针对每日 ERA5 的实现，而非已发布的 GraphCast 检查点或其原始业务配置。相对该基线，WaveGSSM 在 1 至 5 天预报中位势 RMSE 平均降低 20.2%。逐时效表显示降幅随时效收窄：z500 从第 1 天的 38.1% 降至第 10 天的 1.1%，z200 从第 1 天的 39.1% 降至第 10 天的 8.5%。WaveGSSM 在每一个报告的位势和土壤湿度条目上 RMSE 都更低；对于每日最高 2 米温度，两个模型在第 10 天实际上持平，四舍五入后的 RMSE 仅相差 0.001 K。

RMSE 与异常相关系数随时效分化

论文报告了两个回答不同问题的指标，不应互相替代。RMSE 按纬度加权，对每个目标变量和预报时效分别计算，格点权重与 cos φ 成正比；土壤湿度排除海洋格点。异常相关系数相对 1979–2023 年 ERA5 年内日气候态计算，衡量去除加权空间均值后空间异常型态的一致性。论文明确不把它解释为物理相位的直接度量。

两个指标呈现不同的时效趋势。RMSE 降幅在短预报时效最大，并随时效总体收窄；而异常相关系数的优势进入中期后增大，并一直保持正值到第 10 天。对 z200，绝对异常相关系数增益从第 1 天的 +0.018 升至第 8 天峰值 +0.068，第 10 天仍为 +0.059。WaveGSSM 在每一个报告字段和时效上异常相关系数都更高。作者的解读是，即使逐点 RMSE 优势变小，模型仍与观测异常型态保持更好的一致性。

运动状态携带带来小幅但一致的增益

两项干预检验运动状态是否在起作用。在重训练消融中，一个参数匹配的变体在相同数据、目标、优化器、rollout 时域和验证选择协议下独立训练，但在每个内部图波转移之前（包括第一次）其传入运动状态被置零。每次转移仍计算瞬时运动响应并用它推进模式状态，终端瞬时运动状态也仍可供解码器使用。

去掉运动状态携带后，六个气压层和 1–5 天预报的平均位势 RMSE 从 30.72 米升至 31.53 米，增加 2.63%。在每一个报告的 z200 时效上方向一致，相对增幅在 2.46% 至 3.90% 之间。论文指出差异不大但方向一致，并且由于消融模型从初始化重新训练，其剩余通路可以适应被移除的携带。在冻结检查点干预中，验证选出的完整模型不再训练，而进入内部转移的运动状态和提供给解码器的终端运动状态被分别缩放，用以探测训练好的预测器在推理时如何使用这些通路。

优势在哪里广泛，在哪里不广泛

空间分解对判断结果很重要。第 1 天，WaveGSSM 使 z500 的全球 RMSE 降低 38.1%，同时在 z200 和 z500 上超过 99% 的有效格点取得更低的局部 RMSE。优势随时效增加仍保持广泛：第 7 天，WaveGSSM 在 94.6% 的有效 z200 格点和 81.8% 的有效 z500 格点上局部 RMSE 更低。论文把短时效位势改进描述为广泛分布，而非集中在少数有利区域。

地表变量表现不同。WaveGSSM 在大部分区域改进了每日最高 2 米温度和第一层土壤湿度，但增益不如高空位势广泛，且区域异质性更强。跨纬度和气压层看，最强且最持久的增益出现在高层位势场，尤其是 200 和 300 hPa 附近，纬度–气压结构在广大区域连贯，而非孤立斑块。论文自己的表述是，这些结果支持把显式运动表示作为学习图上传播动力学的一种有用状态空间原则。

解读 20.2% 时该权衡什么

这个头条数字是六个位势气压层和 1–5 天预报的平均值，对照的是作者为每日 ERA5 实现的骨干匹配快照基线，而非已发布的 GraphCast 检查点或其原始业务配置。它不是单一时效结果，也不是与业务预报系统的比较。逐时效分解显示，RMSE 的优势集中在短时效，而异常相关系数的优势才是延续到中期的部分。

运动状态的证据指向同一方向：重训练消融在 1–5 天平均位势 RMSE 上的增益为 2.63%，相对 20.2% 的头条数字不大，作者把部分差距归因于消融模型通过重训练进行了适应。对于想从这篇论文中取用的读者，最有用的划分因此是按指标和时效，而不是按单一汇总值：短时效位势 RMSE 降幅、中期异常型态一致性，以及更小且更不均匀的地表变量增益，是三个强度不同的论断。论文自己的优先级是，携带显式运动状态换来了更长 rollout 中持续的模式一致性，而这正是消融与逐时效异常相关趋势共同支持的论断。

本文引用的文献