LSTM与GNN强强结合！全新架构带来10倍推理速度提升

今天来推荐一个深度学习领域很有创新性的研究方向：LSTM结合GNN。

GNN擅长处理图数据关系和特征，而LSTM擅长处理时间序列数据及长期依赖关系。通过将两者结合，我们可以有效提升时间序列预测的准确性和效率，尤其是在处理空间和时间数据时。

比如一种用于出租车需求和供应预测的hetGNN-LSTM算法，结合了异构图神经网络和LSTM，比现有SOTA推理速度快了10倍！

目前这种策略已经被广泛应用于交通流量预测等多个场景，创新空间十分可观。于是我这次整理了8种最新的LSTM+GNN结合创新方案（附代码），并简单提炼了可参考的idea，希望能给各位的论文添砖加瓦。

论文原文+开源代码需要的同学看文末

Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach

方法：论文提出了一种结合了异构图神经网络（hetGNN）和长短期记忆网络（LSTM）的算法，用于出租车需求和供应预测。与现有最先进方法相比，hetGNN-LSTM实现了大约10倍的推理时间减少，并在不同的分散化设置中显示出高准确性预测的性能。