2023年11月22日 · 本文探讨了如何结合gcn和lstm技术，针对图结构数据中的时间序列预测问题，以考虑邻接节点影响和长期依赖。 介绍了GCN的图卷积原理和LSTM的门控机制，以及在实际业务场景中融合这两种模型的示例实现和性能评估。

This repository provides the implementation of MVTS-based Solar Flare Prediction using GCN and LSTM. The repository is organised as follows: data/ contains the necessary datasets. models/ contains the implementation of the GCN-LSTM models as well as other baseline implementation.

2022年11月8日 · gc-lstm利用gcn提取图数据的拓扑结构特征，lstm提取序列数据的时序特征，从而能够对动态变化的图拓扑进行预测。 本文详细介绍了 GC - LSTM 模型的原理，并基于PYG Temporal对其进行代码实现。

2023年8月16日 · gc-lstm利用gcn提取图数据的拓扑结构特征，lstm提取序列数据的时序特征，从而能够对动态变化的图拓扑进行预测。 本文详细介绍了GC-LSTM模型的原理，并基于PYG Temporal对其进行代码实现。

2022年12月6日 · 受深度学习框架，特别是卷积神经网络 ( CNN )和长短时记忆 ( LSTM )网络的巨大成功的启发，我们提出了一种新的端到端模型，将 图卷积网络 ( GCN )嵌入LSTM，命名为GC - LSTM，用于动态网络链接预测。 其中， LSTM被用作学习动态网络所有快照的时间特征 的主要框架。 而对于每个快照， GCN被用来捕获节点的局部结构属性以及它们之间的关系。 一个好处是我们的GC - LSTM可以同时预测添加和删除的链接，使其在现实中更具实用性，而大多数现有的 …

2024年10月9日 · lstm的基本概念： - lstm是一种特殊的循环神经网络（rnn），它能够学习长期依赖信息。 - 设计用于避免长期依赖问题的RNN出现的梯度消失和梯度爆炸问题。

5 天之前 · LSTM-Transformer混合模型设计; 本研究构建的LSTM-Transformer混合模型创新地融合了两种深度学习网络的特长： LSTM层：利用门控机制精准捕捉时间序列中的细微波动与短期模式。 Transformer层：通过位置编码与多头自注意力机制，深入分析长序列间复杂的全局依赖关系。

将gcn和lstm相结合，可以使模型同时具备对图结构数据局部特征的捕捉能力和对时间序列数据的长期记忆能力，对于图上时序数据的预测分析，如社交网络中的信息传播趋势预测、股票价格趋势预测等具有重要意义。

2024年10月6日 · GCN-LSTM是一种结合了图卷积网络（Graph Convolutional Networks, GCN）和长短时记忆网络（Long Short-Term Memory, LSTM）的模型，常用于处理图结构数据，如社交网络、蛋白质结构分析等。

The GCN_LSTM model in StellarGraph emulates the model as explained in the paper while giving additional flexibility of adding any number of graph convolution and LSTM layers. Concretely, the architecture of GCN_LSTM is as follows: