GNN电力负荷预测：诊断协议拆解参数共享与邻居访问

为什么需要诊断协议

图神经网络（GNN）在电力负荷预测中常被当作“图结构带来增益”的证据。但一个GNN同时做了两件事：跨序列共享参数和读取邻居序列。模型相对非图模型的提升，可能来自前者而非后者。如果分不清增益来源，就难以判断维护图结构是否值得。

为此，研究者提出一套模型诊断协议，将GNN与三个参照模型对比：逐节点独立网络、跨节点共享但无邻居的网络、以及去掉边之后的同构GNN。此外，采用度保持重连（degree-preserving rewiring）检验邻居身份是否真正重要。该协议在法国区域负荷和英国低压馈线数据上调优基准后，进一步应用于刻意缩短节点历史的场景——比如非平稳需求下只有近期观测可用时。

诊断协议的设计逻辑

三个参照模型的意义

逐节点网络代表完全个性化的基线；共享网络剥离了邻居信息，只保留参数共享带来的归纳偏置；去边GNN则保持架构不变但切断邻域访问。通过这三层对比，可以定位增益到底来自参数共享、邻居读取，还是两者交互。

归纳偏置（inductive bias）指模型在学习过程中对假设空间施加的先验约束，使其倾向于某些特定的解而排斥另一些。在负荷预测中，跨序列共享参数就是一种归纳偏置：它假设不同节点的映射关系存在共性，从而在数据有限时提供正则化效果，降低过拟合风险。逐节点独立网络则几乎没有这种跨序列约束，每个节点单独拟合，灵活性高但方差大。共享网络剥离邻居信息后，恰好隔离出“参数共享”这一纯归纳偏置的贡献。理解这一概念有助于明白：GNN的增益未必来自图结构本身，而可能来自其骨干网络中天然存在的共享参数机制。

度保持重连的作用

如果邻居身份重要，随机重连（保持度分布不变）应当显著削弱模型表现。反之，若重连后性能几乎不变，说明模型只是利用了邻域聚合的平滑效应，而非具体的邻接关系。这一检验为“图是否值得维护”提供了直接证据。

度保持重连（degree-preserving rewiring）是一种图扰动技术：在保持每个节点度数不变的前提下，随机交换边端点，生成与原图度分布相同但邻接关系随机化的对照图。其核心逻辑是控制变量——若模型性能在重连后显著下降，说明它确实依赖具体的邻居身份；若性能几乎不变，则说明模型仅受益于邻域聚合带来的平滑或降噪效应，而非真实的拓扑信息。这一方法在图学习评估中被广泛用于检验“图结构是否被有效利用”，是区分“真图增益”与“聚合平滑假象”的关键手段。

关键发现：参数共享才是主要增益来源

在馈线数据上，参数共享恢复了节点特定模型与GNN之间的大部分误差差距，相对正则化基线约为三分之二。而将边加入相同骨干带来的增益更小，其中一半以上在重连后消失。

在客户消费序列上，较短窗口下邻居均值反而使逐节点模型退化，边的增益无法稳定地与零区分。在法国区域数据上，每个节点自身历史已足够有信息量时，逐节点模型与GNN的排序会随调优变化。合成研究则指出，噪声较大的局部测量是邻居信息可能有益的少数情形之一。

三项数据集中，没有任何一项显示边贡献了GNN相对节点特定模型的大部分优势。这意味着预测增益在缺乏逐节点和共享参照对比时，不应直接归功于图结构。

误差差距（error gap）在本文语境中指节点特定模型（逐节点独立网络）与GNN之间的预测误差之差。研究者用“参数共享恢复了约三分之二的误差差距”来描述：当把GNN替换为仅共享参数、不读取邻居的网络后，其误差已接近GNN，说明大部分优势在去掉边之前就已被共享骨干捕获。剩余由边带来的增益较小，且度保持重连后大半消失，进一步表明这部分增益对邻居身份不敏感。这种“差距分解”思路是诊断协议的核心量化工具，使“图是否值得”从定性判断变为可比较的数值结论。

在线聚合的补充观察

在一项探索性在线聚合中，图模型与非图预测器呈现互补性，但分配给GNN的权重与其实际贡献不成比例。这提示集成策略需要基于诊断而非默认假设来分配权重。

在线聚合（online aggregation/ensemble）指在序列预测过程中动态组合多个预测器的输出，常见策略包括按历史误差倒数加权、指数加权或基于元学习分配权重。本文的探索性观察发现，图模型与非图预测器具有互补性，但系统分配给GNN的权重高于其实际贡献，说明默认的集成机制可能高估图模型。这提示在线聚合的权重分配应基于诊断协议提供的增益归因，而非简单假设“图模型更强”或依赖历史误差的被动反馈，否则可能引入次优的集成偏差。

实践启示

部署GNN负荷预测前，至少应运行逐节点与共享参数两个参照。只有当边在重连检验下仍带来稳定增益时，维护图结构才有充分理由。对于历史窗口短、局部测量噪声大的场景，邻居信息可能有用，但需要逐案验证。

该诊断协议的价值不在于否定GNN，而在于把“图是否值得”从直觉判断变成可操作的对比实验。