基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包）

基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包）

介绍了知识图谱与图神经网络

最全的图卷积神经网络讲解+图卷积神经网络的发展+GCN的应用领域+GCN的种类+GCN的公式推导，简单来说，这篇论文包含了图卷积神经网络的各个模块，十分的详细！

图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。

图神经网络课程PPT.zip

在本研究中，我们提出了一种基于自我关注的区域流感预测模型，称为SAIFlu-Net。该模型利用一个较长的短期记忆网络来提取每个区域的时间序列模式，并利用自我注意机制来发现发生模式之间的相似性。为了评估其性能，我们使用每周区域流感数据集对现有的预测模型进行了广泛的实验。结果表明，该模型在均方根误差和皮尔逊相关系数方面均优于其他模型。

分享一套图神经网络的课程，视频+源码+文档资料下载 课程大纲： 第1章 图神经网络基础 第2章 图卷积GCN模型 第3章 图模型必备神器PyTorch Geometric安装与使用 第4章 使用PyTorch Geometric构建自己的图数据集 第5章 图注意力机制与序列图模型 第6章 图相似度论文解读 第7章 图相似度计算实战 第8章 基于图模型的轨迹估计 第9章 图模型轨迹估计实战