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。

2025年1月21日 · 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。

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。

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。

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。

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 ...

原文： 使用混合 LSTM-GNN 模型进行股票价格预测，预测误差降低 10.6%股票市场是复杂的动态系统，受经济指标、市场情绪、地缘政治事件等多种因素影响，价格波动难以预测。准确预测股票价格对投资者和政策制定者至…

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

2024年4月15日 · 标准的GNN可以结合来自其他机器学习模型的想法，比如将GNN与序列模型结合——时空图神经网络（Spatail-Temporal Graph），能够捕捉数据的时间和空间依赖性。