在我們周圍的各個領域，從分子結構到社交網絡，再到城市設計結構，到處都有相互關聯的圖數據。圖神經網絡（GNN）作爲一種強大的方法，正在用於建模和學習這類數據的空間和圖結構。它已經被應用於蛋白質結構和其他分子應用，例如藥物發現，以及模擬系統，如社交網絡。標準的GNN可以結合來自其他機器學習模型的想法，比如將GNN與序列模型結合——時空圖神經網絡（Spatail-Temporal Graph），能夠捕捉數據的時間和空間依賴性。
對於時空圖神經網絡Spatail-Temporal Graph來說，最簡單的描述就是在原來的Graph基礎上增加了時間這一個維度，也就是說我們的Graph的節點特徵是會隨着時間而變化的。
GNN模型和序列模型（如簡單RNN、LSTM或GRU）本身就複雜。結合這些模型以處理空間和時間依賴性是強大的，但也很複雜：難以理解，也難以實現。所以在這篇文章中，我們將深入探討這些模型的原理，並實現一個相對簡單的示例，以更深入地理解它們的能力和應用。
https://avoid.overfit.cn/post/d59e03bc09074271a09121ab2171f56f