【时序】DCRNN:结合扩散卷积和GNN的用于交通流量预测的时空预测网络_datamonday的博客-CSDN博客
【时序】Time2Graph:使用动态 Shapelets 和 GNN 进行时间序列建模_datamonday的博客-CSDN博客_time2graph
基于LSTM与GNN融合的COVID-19预测模型 - 知乎
【时序】Time2Graph:使用动态 Shapelets 和 GNN 进行时间序列建模_datamonday的博客-CSDN博客_time2graph
合作对象:十室 周晓峰 鲁东 李怀翱 专做时间序列预测方向工作
八室 刘硕 时间序列预测比赛与论文工作
传统深度学习方法在欧式空间里取得了巨大成功,但面对非欧空间的数据时,就捉襟见肘了,这类数据的节点往往没有固定顺序,连接是动态和多模态的,它们可以用表现能力很强的图结构来表示,那么问题来了,如何把这种图结构嫁接到神经网络上,从而实现不同空间的跨越呢?
图神经网络GNN应运而生,和传统的神经网络相比,它解决了两个问题:
- 图结构的矩阵化表示
- 层内与层间的消息传递
这个视频讲解的很形象
【GNN 图神经网络】直观透彻理解_哔哩哔哩_bilibili
更细的还是看看李沐老师的吧