Das Lernen von Graphrepräsentationen ist eine grundlegende Aufgabe, die darauf abzielt, verschiedene Eigenschaften von Graphen im Vektorraum zu erfassen. Die neuesten Methoden lernen solche Repräsentationen für statische Netzwerke. Allerdings entwickeln sich reale Netzwerke im Laufe der Zeit und weisen unterschiedliche Dynamiken auf. Das Erfassen dieser Entwicklung ist entscheidend für die Vorhersage von Eigenschaften unbekannter Netzwerke. Um zu verstehen, wie die Netzwerkdynamik die Vorhersageleistung beeinflusst, schlagen wir einen Einbettungsansatz vor, der die Struktur der Evolution in dynamischen Graphen lernt und unbekannte Verbindungen mit höherer Genauigkeit vorhersagen kann. Unser Modell, dyngraph2vec, lernt die zeitlichen Übergänge im Netzwerk durch eine tiefe Architektur aus dichten und rekurrenten Schichten. Wir begründen die Notwendigkeit des Erfassens von Dynamiken für Vorhersagen anhand eines einfachen Datensatzes, der mithilfe stochastischer Blockmodelle erstellt wurde. Anschließend demonstrieren wir die Effektivität von dyngraph2vec im Vergleich zu bestehenden Stand-of-the-Art-Methoden anhand zweier realweltlicher Datensätze. Wir stellen fest, dass das Lernen von Dynamiken die Qualität der Einbettung verbessern und bessere Leistungen bei der Vorhersage von Verbindungen erzielen kann.