在我们周围的各个领域，从分子结构到社交网络，再到城市设计结构，到处都有相互关联的图数据。图神经网络（GNN）作为一种强大的方法，正在用于建模和学习这类数据的空间和图结构。它已经被应用于蛋白质结构和其他分子应用，例如药物发现，以及模拟系统，如社交网络。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。
对于时空图神经网络Spatail-Temporal Graph来说，最简单的描述就是在原来的Graph基础上增加了时间这一个维度，也就是说我们的Graph的节点特征是会随着时间而变化的。
GNN模型和序列模型（如简单RNN、LSTM或GRU）本身就复杂。结合这些模型以处理空间和时间依赖性是强大的，但也很复杂：难以理解，也难以实现。所以在这篇文章中，我们将深入探讨这些模型的原理，并实现一个相对简单的示例，以更深入地理解它们的能力和应用。
https://avoid.overfit.cn/post/d59e03bc09074271a09121ab2171f56f
标签：Spatail,Graph,模型,神经网络,ST,Pytorch,时空图,GNN From： https://www.cnblogs.com/deephub/p/18135247