다변량 시계열 예측은 전력, 교통과 같은 분야에서 비용 절감 및 체증 해소등의 이점을 가져다주기에 필수적이다. 다변량 시계열 예측에서 좋은 성능을 달성하기 위해서는 각 변수 내의 시간적 패턴과 변수 간의 관계를 의미하는 공간적 패턴을 정확하게 해석하는 것이 중요하다. 최근에는 이 두가지 패턴을 학습하여 예측에 이용하는 그래프 신경망(GNN) 모델들이 많은 주목을 받았다. 그러나 기존 GNN 모델들은 시간적 패턴의 다중주기성 특징을 추출하는 데에 어려움이 있어 예측 모델이 특정 주기에 편향될 수 있다는 문제점이 있다. 또한, 그들은 시간에 따라 변하는 공간적 패턴을 능동적으로 반영하지 못한다. 따라서 본 논문에서는 앞에서 말한 두 한계를 해결하기 위한 다변량 시계열 예측을 위한 GNN 모델을 제안한다. 제안 모델은 멀티스케일 확장 컨볼루션 모듈과 입력 적응형 그래프 생성 모듈로 구성되어 있다. 전자는 다중주기성 특징을 반영하기 위해 각 스케일에 대한 시간적 특징을 추출한다. 후자는 인접 행렬을 능동적으로 생성하기 위해 과거와 현재의 시간적 특징을 동시에 고려하여 인접 행렬을 생성한다. 최종 예측값은 각 스케일 별로 생성된 시간적 특징과 인접 행렬을 모두 통합하여 도출한다. 제안 모델을 평가하기 위해 기존 다변량 시계열 예측 모델들과 4 가지 데이터셋에 대해서 성능을 비교한 결과, 제안하는 모델은 기존 state-of-the-art 모델에 비해 RRSE 평가 지표에서 최대 4.4%의 성능 향상을 보였다.