帮我用python写一个简单的图神经网络，用于航班延误预测

好的，我可以为您提供一些关于编写一个简单的图神经网络用于航班延误预测的Python代码。

代码实现所需的库：

1. PyTorch
2. DGL（Deep Graph Library）

代码实现过程：

1. 首先，导入所需的库和模块。

import dgl
import torch
import pickle
import numpy as np
from dgl.nn.pytorch import GraphConv
from sklearn.metrics import mean_squared_error

2. 接下来，我们需要准备训练和测试数据集。在这个例子中，我们将使用一个包含节点特征和边列表的pickle文件。

with open('data.pkl', 'rb') as f:
    data = pickle.load(f)

train_samples = data["train"]
test_samples = data["test"]
feat_dim = data["feat_dim"]
num_class = data["num_class"]
num_nodes = data["num_nodes"]

3. 我们创建一个Graph对象，它包含边和节点特征。

g = dgl.DGLGraph(train_samples[0])
g.ndata['feat'] = torch.from_numpy(train_samples[1]).float()

4. 我们需要一个Graph Convolutional Networks（GCN）层来将节点特征合并为图级别特征。

class GCN(nn.Module):
    def __init__(self, input_dim, output_dim, num_hidden):
        super(GCN, self).__init__()
        self.layer1 = GraphConv(input_dim, num_hidden)
        self.layer2 = GraphConv(num_hidden, output_dim)

    def forward(self, g, features):
        x = F.relu(self.layer1(g, features))
        x = self.layer2(g, x)
        return x

5. 接下来，我们需要训练模型。

lr = 0.01
num_epochs = 20
num_hidden = 16
net = GCN(feat_dim, num_class, num_hidden)
optimizer = torch.optim.Adam(net.parameters(), lr=lr)

for epoch in range(num_epochs):
    logits = net(g, g.ndata['feat'])
    loss = F.cross_entropy(logits[train_mask], labels[train_mask])
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

6. 最后，我们可以使用测试集来测试模型的性能。

logits = net(g, g.ndata['feat'])
pred = torch.argmax(logits[test_mask], dim=1)
acc = (pred == labels[test_mask]).sum().item() / len(test_mask)
mse = mean_squared_error(labels[test_mask].detach().numpy(), logits[test_mask][:,0].detach().numpy())

这是一个简单的图神经网络用于航班延误预测的Python实现。当然，这只是一个基础的模型，可以通过添加其他层和调整超参数来进一步提高预测性能。