多变量时间序列（MTS）分类是数据科学中的一项关键任务，旨在从具有复杂时空依赖性的多维数据流中识别模式.近年来，图神经网络（GNN）凭借其强大的结构化数据建模能力，为这一领域带来了范式转变.然而，现有研究呈现出方法多样化但缺乏统一理论指导的局面.本文不仅系统性地梳理了GNN在MTS分类中的应用进展，更重要的是，我们首次提出了一个从“时空依赖耦合范式”（Spatio-Temporal Dependency Coupling Paradigm）角度审视该领域的统一分析框架.该框架将现有模型批判性地划分为解耦式（Decoupled）、耦合式（Coupled）和演化式（Evolutionary）三大类别，深刻揭示了不同设计哲学背后在模型灵活性、计算效率和动态适应性之间的核心权衡.基于此框架，我们超越了对模型机制的简单描述，深入剖析了各类方法在处理现实世界数据中普遍存在的异质性（heterogeneity）、非平稳性（non-stationarity）和因果混淆（causal confounding）等根本性挑战时的内在假设与理论局限.此外，我们通过对交通、医疗、金融和工业等关键应用领域的跨领域综合分析，提炼出驱动模型选择和图构建策略的普适性原则.最后，本文不仅总结了现有挑战，更进一步勾勒出一份旨在构建更鲁棒、可解释和支持干预的下一代时空图智能模型的挑战性研究议程，强调了从关联建模向因果推理演进的必要性.研究表明，GNN在MTS分类中展现的巨大潜力，正推动该领域迈向一个更深刻、更具挑战性的新阶段.
Shi-Chen et al. (Thu,) studied this question.