本研究提出了一創新之 GNN-LSTM-based Fusion Model，該研究將建築結構資料以圖資料結構封裝，與地震資料一併作為輸入資料，訓練模型能夠根據輸入的結構物與地震資訊，預測出對應結構物的反應歷時。我們針對結構反應歷時預測任務提出了完整的深度學習方法論，包含了針對序列模型的集裝填充序列(PPS)學習策略與序列壓縮(SC)學習策略，並透過實驗證實模型的預測能力與訓練效率。此外我們以 GCN 與 GAT 兩種不同的 GNN 實驗不同圖嵌入 網路的性能。並透過降維方法視覺化模型內部的圖嵌入，我們觀察出不同建築結 構的圖嵌入依據第一模態週期以及樓高有顯著的分群效果，驗證了深度學習模型 內部的圖嵌入確實攜帶結構物的物理信息 • github: https://github.com/Bosh-Kuo/GNN-LSTM-based-Fusion-Model-for-Structural-Dynamic-Responses-Prediction