在本文中，我们使用一个随时间变化的图快照序列组成的时间演化图来对许多现实世界的网络进行建模。我们研究了时间演化图中的路径分类问题，该问题在实际场景中有许多应用，例如，预测电信网络中的路径故障和预测近期交通网络中的路径拥塞。 为了捕捉时间依赖性和图结构动态，我们设计了一种名为 Long Short-Term Memory R-GCN (LRGCN) 的新型深度神经网络。LRGCN 将时间相邻图快照之间的时间依赖性视为与内存的特殊关系，并使用关系 GCN 共同处理时间内和时间间关系。我们还提出了一种新的路径表示方法，称为自注意路径嵌入（SAPE），将任意长度的路径嵌入到固定长度的向量中。通过在加利福尼亚的真实电信网络和交通网络上的实验，我们证明了 LRGCN 在路径故障预测方面相对于其他竞争方法的优越性，并证明了 SAPE 在路径表示上的有效性。