简介：现有的预测模型越来考虑时间和空间的相关性，统称为时空预测。这种预测模型往往比简单的序列模型（例如RNN、LSTM、GRU及其变体）、Transformer等效果更好。我使用Keras实现了该GCN-LSTM代码，因为Keras相比于torch更容易入手和理解。我实现了一个基于Keras的GCN网络层，可以像Keras中调用Dense、LSTM等网络层一样随时调用这个层。需要电脑安装tensorflow和keras。keras的版本为2.3。tensorflow的版本为2.1。
1、模型的输入数据形状
由于是时空数据，模型的输入形状为：[批次大小，时间步长，节点个数，维度数量]。具体的来说，就是[batchsize,node,time,dim]。批次大小表示一次性喂给模型的样本数量、节点个数就是图中的实体节点数量、时间步长就是每个节点记录的一段时间序列数据（可以是单维度、多维度的）的长度、维度数量就是每个时刻点记录的变量个数。
如下图所示，输入为[None，30，11，6]，表示批次小自动调节，输入的时间段为30步，一共有11个节点、每个时刻有6个特征。具体思路为：首先对于每个时刻，进行图卷积，实现节点之间的信息传递；其次，使用LSTM压缩所有时刻的信息到一个一维张量。