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. …

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。

2024年6月5日 · def forward(self, x, edge_ index, batch): # GCN部分. x = self.gcn 1 (x, edge_ index) x = F.relu(x) x = self.gcn 2 (x, edge_ index) x = F.relu(x) # LSTM部分. # 将图节点特征转 …

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。

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。

2021年9月30日 · Inspired by the great success of deep learning frameworks, especially the convolution neural network (CNN) and long short-term memory (LSTM) network, we propose a novel end-to-end model with a Graph Convolution Network (GCN) embedded LSTM, named GC-LSTM, for dynamic network link prediction.

接下来可以想使用lstm来对时间步之间的时序关系建模，那么直接输入到lstm中就可以，这个地方可能需要将shape转换为 (-1,time_step,128)再输入到lstm中。

近年来，长短期记忆网络（LSTM）作为一种深度学习技术，在时间序列预测领域取得了显著的成果。 因此，本文将基于LSTM模型，设计并实现一个空气污染情况预测与可视化平台，以为空气污染治理提供科学依据和技术支持。