本篇文章提出了两种不同的思路，一种是 GNN-LSTM，即先将时间序列经过图神经网络进行空间上的卷积，然后再将结果输入到LSTM中进行时间上的卷积。

2024年8月2日 · 提出了一种新的跨境电网碳强度预测问题，并构建了一个基于图神经网络（GNN）和长短期记忆（LSTM）的CFCG模型，以捕捉空间和时间依赖关系。

接着，使用GNN处理空间特征，并结合长短期记忆网络（LSTM）学习时间动态，从而实现对自动驾驶车辆轨迹的准确预测。 实验结果表明，该方法在预测精度和模型参数数量上均优于传统的基于DNN-LSTM的方法。

2024年5月1日 · This study proposes an innovative deep-learning fusion network architecture based on the graph neural network (GNN) and long short-term memory (LSTM) network. The proposed fusion model can accurately predict nonlinear floor acceleration, velocity, and displacement responses of typical steel moment-resisting frames (SMRF) with 4 through 7 ...

2024年8月2日 · A GNN-based Day Ahead Carbon Intensity Forecasting Model for Cross-Border Power Grids 方法：论文提出了一个基于图神经网络（GNN）和长短期记忆网络（LSTM）的碳强度预测模型，用于跨境电网的日前（day-ahead）碳强度预测。

在这篇文章中将使用常见的三个GNN模型进行预测，即GCN、GraphSAGE和GAT。 图卷积网络（Graph Convolutional Network，GCN）是最早提出的图神经网络之一，GCN通过在图的邻域内进行信息聚合来学习节点的低维表示。

因此，一个很自然的想法就是通过GNN挖掘出不同变量（空间）之间的关系，然后再使用其他 RNN 类模型挖掘出序列维度间的关系，实现时间+空间两个维度上的卷积。

We demonstrate that LSTM-GNNs outperform the LSTM-only baseline on length of stay prediction tasks on the eICU database. More generally, our results indicate that exploiting information from neighbouring patient cases using graph neural networks is a promising research direction, yielding tangible returns in supervised learning performance on ...

2 天之前 · 文章浏览阅读267次，点赞4次，收藏3次。以上是这些模型的简要介绍，每种模型都有其独特的优势和适用场景，实际应用中可以根据任务需求选择合适的模型。

GNN 结合 LSTM. Contribute to knightzz1998/GNN-lSTM-Project development by creating an account on GitHub.