LSTM与GNN强强结合！全新架构带来10倍推理速度提升

文章预览

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。 扫码添加小享， 回复“ 长短GNN ” 免费获取 全部论文+ 开源代码 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 ………………………………