LSTM结构在Sentinel-1图像时间序列下一帧预测中的应用

基于期望偏差的LSTM网络改进长期预测

Improving Long-Horizon Forecasts with Expectation-Biased LSTM Networks

University of Maryland（马里兰大学）

使用基于长短期记忆（LSTM）单元的递归神经网络（RNN）的最新预测方法已经显示出针对短期预测的卓越性能，例如，给定一组预测器特征，预测未来接下来几个时间步长的目标值。然而，在许多应用中，这些方法的性能随着预测范围延伸到这几个时间步长之外而衰减。本文旨在探索使用LSTM网络进行长期预测的挑战。在这里，我们说明了神经科学和能源供应管理数据集的长期预测问题。然后，我们提出了期望偏置，动态信念网络的文献激励的方法，作为一种解决方案，以提高长期预测使用LSTM。我们提出了两种LSTM架构以及两种显著优于标准实践的期望偏差方法。

2018-04-18cs.LGstat.ML

利用CNN-LSTM与WOA-GWO参数优化的混合深度学习方法进行流行病预测：全球新冠病例研究

Epidemic Forecasting with a Hybrid Deep Learning Method Using CNN-LSTM With WOA-GWO Parameter Optimization: Global COVID-19 Case Study

School of Engineering, RMIT Melbourne, Australia（墨尔本皇家理工大学工程学院）；Tarbiat Modares University（塔里克·莫拉兹大学）；Islamic Azad University, Central Tehran Branch（伊斯兰 Azad 大学中央德黑兰分校）；Ferdowsi University of Mashhad（法尔多西大学）

本文提出一种结合CNN-LSTM与WOA-GWO优化的混合深度学习方法，用于提高流行病预测的准确性，通过全球新冠病例数据验证其有效性。

2026-01-16cs.LGeess.IV

基于LSTM网络的时间序列预测：一种符号方法

Time Series Forecasting Using LSTM Networks: A Symbolic Approach

The University of Manchester（曼彻斯特大学）

在原始数值时间序列数据上训练的机器学习方法表现出基本的局限性，例如对超参数甚至对随机权重的初始化的高敏感性。提出了一种递归神经网络与降维符号表示相结合的方法，并将其应用于时间序列预测。结果表明，符号表示可以帮助缓解上述问题中的一些，此外，可以允许更快的训练，而不牺牲预测性能。

2020-03-12cs.LGstat.ML

当更简单者胜出：Facebook Prophet 与 LSTM 在数据受限的尼日利亚北部空气污染预测中的比较

When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria

University of Westminster（威斯敏斯特大学）；Ahmadu Bello University（阿赫马杜·贝洛大学）

本研究在尼日利亚北部数据受限条件下比较 Facebook Prophet 与 LSTM 的多污染物预测效果，发现 Prophet 在季节性和长期趋势数据中常优于或匹敌 LSTM，主张应依据数据特征选择计算高效的预测方法。

2025-08-22cs.LG

Graph-Augmented LSTM 用于预测图结构时间序列中的稀疏异常

Graph-Augmented LSTM for Forecasting Sparse Anomalies in Graph-Structured Time Series

University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）

针对多变量时间序列中稀疏异常检测的跨节点依赖捕捉难题，提出将关系图显式整合到 LSTM 的图增强预测模型，在两个基准数据集上 F1 分数较最佳基线提升达 10%。

2025-03-05cs.LG

一种基于CNN-LSTM的简约流量预测设置

A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM

University of Nebraska-Lincoln（内布拉斯加大学林肯分校）

本研究将CNN-LSTM拓展应用于时间序列场景的流量预测，结合滞后流量、降水与温度数据建模，在内布拉斯加州多数HUC8流域实现了预测性能的显著提升，验证了其在时空水文建模中的有效性。

2024-04-11cs.LG

基于核流正则化的深度学习时间序列预测

Deep Learning with Kernel Flow Regularization for Time Series Forecasting

Beyond Limits Inc（Beyond Limits公司）；University of Southern California（南加州大学）

长短期记忆（LSTM）神经网络已被广泛用于时间序列预测问题。然而，LSTM在测试阶段容易出现过拟合和性能下降。文献中已经展示了几种不同的正则化技术来防止神经网络中的过拟合问题。本文首先介绍了核流方法在时间序列预测中的应用。之后，我们检查了在LSTM层上应用核流正则化以避免过拟合问题的有效性。我们描述了一种通过在LSTM层上应用核流损失函数的正则化方法。在实验结果中，我们表明，内核流优于基线模型的时间序列预测基准。我们还比较了dropout和内核流正则化技术对LSTM的影响。实验结果表明，核流实现了类似dropout的正则化效果。它还表明，在一些时间序列数据集（例如电力负荷需求预测）上使用LSTM层上的早期停止的内核流和dropout正则化可以获得最佳结果。

2021-09-23cs.AIcs.LG

全国范围的电力高峰负荷预测：传统、机器学习还是混合模型？

National-scale electricity peak load forecasting: Traditional, machine learning, or hybrid model?

Yonsei University（延世大学）

由于气候变化和电气化，电力需求的波动性增加，准确的高峰负荷预测的重要性日益增加。传统的峰值负荷预测是通过基于时间序列的模型进行的;然而，最近，基于机器或深度学习的新模型正在引入。本研究通过比较时间序列、机器学习和混合模型的性能，进行比较分析，以确定韩国最准确的峰值负荷预测模型。时间序列模型采用带外生变量的季节性自回归积分移动平均（SARIMAX）。人工神经网络（ANN），支持向量回归（SVR）和长短期记忆（LSTM）用于机器学习模型。SARIMAX-ANN，SARIMAX-SVR和SARIMAX-LSTM用于混合模型。结果表明，混合模型表现出显着的改善SARIMAX模型。基于LSTM的模型优于其他模型;单一和混合LSTM模型没有表现出显着的性能差异。在2019年韩国最高峰值负荷的情况下，LSTM模型的预测能力被证明大于SARIMAX-LSTM模型。LSTM、SARIMAX-SVR和SARIMAX-LSTM模型的表现优于韩国目前使用的基于时间序列的预测模型。因此，韩国的峰值负荷预测性能可以通过包括机器学习或混合模型来提高。

2021-06-30cs.LGcs.SYecon.EM

含缺失值的双向和单向LSTM循环神经网络预测

Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values

University of Washington（华盛顿大学）

近年来，基于深度学习方法，特别是递归神经网络（RNN）的短期流量预测备受关注。然而，在时空数据的预测能力和处理丢失数据的能力方面，基于RNN的模型在交通预测中的潜力尚未得到充分利用。在本文中，我们专注于基于RNN的模型，并试图重新制定将RNN及其变体纳入流量预测模型的方法。提出了一种堆叠的双向和单向LSTM网络架构（SBU-LSTM），用于辅助交通状态预测的神经网络结构设计。作为该架构的关键组件，双向LSTM（BDLSM）被用来捕获时空数据中的前向和后向时间依赖性。为了处理时空数据中的缺失值，我们还提出了一种LSTM结构中的数据填补机制（LSTM-I），通过设计一个填补单元来推断缺失值并辅助流量预测。LSTM-I的双向版本被整合到SBU-LSTM架构中。两个真实世界的网络范围内的交通状态数据集被用来进行实验，并公布，以促进进一步的交通预测研究。评估了多种类型的多层LSTM或BDLSTM模型的预测性能。实验结果表明，所提出的SBU-LSTM架构，特别是两层BDLSTM网络，可以在准确性和鲁棒性方面实现网络范围流量预测的优异性能。此外，综合比较结果表明，所提出的数据填补机制在基于RNN的模型可以实现突出的预测性能时，模型的输入数据包含不同模式的缺失值。

2020-05-24cs.LGeess.SPstat.ML

使用混合深度学习方法进行时间序列预测：一种Bi-LSTM嵌入去噪自编码器Transformer

Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer

本文提出Bi-LSTM嵌入去噪自编码器模型BDM用于短期电动汽车充电负荷预测，在五个时间步中的四个上优于Transformer、CNN、RNN、LSTM和GRU等基准模型，提升了时间序列预测与决策能力。

2025-09-21cs.AIcs.LG

基于嵌套LSTM模型的深度胶囊网络交通网络速度预测

Forecasting Transportation Network Speed Using Deep Capsule Networks with Nested LSTM Models

Beihang University（北京航空航天大学）；University of Washington（华盛顿大学）

对复杂交通网络进行准确可靠的交通量预测，对现代交通管理具有重要意义。道路连接的复杂空间依赖性和交通状态的动态时间模式使其特别具有挑战性。为了应对这些挑战，我们提出了一种新的胶囊网络（CapsNet）来提取交通网络的空间特征，并利用嵌套LSTM（NLSTM）结构来捕获交通序列数据中的分层时间依赖关系。通过依次连接CapsNet和NLSTM，提出了一个网络级流量预测框架。在文献综述的基础上，本文首次将CapsNet和NLSTM应用于交通预测领域。在北京市278个路段的交通网络上进行的实验表明，该框架具有捕获复杂时空交通模式的能力，优于多种最先进的交通预测基线模型。通过对实验结果的可视化和定量评价，分别论证了CapsNet和NLSTM的优越性和可行性。

2018-11-01cs.LGstat.ML

中期电力负荷预测的混合残差扩张LSTM和指数平滑模型

A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting

Czestochowa University of Technology（琴斯托霍瓦理工大学）；Uber Technologies（优步科技公司）

本文提出了一种用于中期负荷预测的混合分层深度学习模型。该模型结合了指数平滑（ETS），高级长短期记忆（LSTM）和集成。ETS动态提取每个时间序列的主要成分，并使模型能够学习它们的表示。多层LSTM配备了扩张的循环跳跃连接和来自较低层的空间快捷路径，使模型能够更好地捕捉长期的季节关系，并确保更有效的训练。LSTM和ETS的共同学习过程，带有惩罚性的弹球损失，导致数据表示和预测性能的同时优化。此外，在三个层次上的集成确保了强大的正则化。对35个欧洲国家的月度电力需求时间序列进行的模拟研究证实了所提出的模型的高性能及其与ARIMA和ETS等经典模型以及基于机器学习的最先进模型的竞争力。

2020-03-29cs.LGeess.SPstat.ML

时间序列预测中的量子长短期记忆（QLSTM）与经典LSTM对比：太阳能发电预测中的比较研究

Quantum Long Short-Term Memory (QLSTM) vs Classical LSTM in Time Series Forecasting: A Comparative Study in Solar Power Forecasting

National University of Sciences and Technology（国家科学技术大学）；Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（古拉姆·伊沙克·汗工程科学与技术学院）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Uppsala University（乌普萨拉大学）

本文比较QLSTM与经典LSTM在太阳能发电时间序列预测中的表现，验证QLSTM收敛更快、首轮测试损失更低，并指出其量子优势潜力与硬件噪声等局限。

2024-09-25cs.LGquant-ph

基于堆叠长短期记忆网络的时间序列预测

Time Series Forecasting with Stacked Long Short-Term Memory Networks

Operations Group（运营组）；Toronto Transit Commission（多伦多交通委员会）

长短期记忆（LSTM）网络通常用于捕获时间依赖模式。通过堆叠多层LSTM网络，它可以捕获更复杂的模式。本文探讨了将堆叠LSTM网络应用于时间序列预测领域的有效性，特别是交通量预测。能够更准确地预测交通量可以导致更好的规划，从而大大降低运营成本，提高整体效率。

2020-11-02cs.LGstat.ML

用于经济预测的 HMM-LSTM 融合模型

HMM-LSTM Fusion Model for Economic Forecasting

本文提出融合 HMM 隐状态与均值特征的 LSTM 经济预测模型，用于 CPI 通胀率预测，并结合 Integrated Gradients 提升可解释性；实验表明该方法能更准确捕捉复杂时间模式并减弱经济波动影响。

2025-01-01cs.LGecon.EMstat.ME

基于LSTM和混合频率时间序列数据的宏观经济预测

Macroeconomic forecasting with LSTM and mixed frequency time series data

Faculty of Economics, Khon Kaen University（孔敬大学经济学院）；Khon Kaen University（孔敬大学）

本文展示了长短期记忆（LSTM）在应用于不同频率采样的宏观经济时间序列数据时的潜力。我们首先介绍了当对所有低频输出和高频变量对应用相同的失配比时，传统的LSTM模型如何适应在混合频率下观察到的时间序列。为了将LSTM推广到多个失配率的情况，我们采用了无限制混合数据采样（U-MIDAS）方案（Foroni et al.，2015年）引入LSTM架构。我们评估通过bothMonte Carlo模拟和实证应用的样本预测性能。我们提出的模型优于限制MIDAS模型，即使在一个设置有利于MIDAS估计。对于现实世界的应用，我们研究预测泰国实际GDP的季度增长率，使用大量的宏观经济指标季度和月度。我们使用U-MIDAS方案的LSTM在所有范围内都轻松击败了简单的基准AR（1）模型，但仅在一个月和六个月的时间内优于强基准单变量LSTM。尽管如此，我们发现，我们提出的模型可能是非常有帮助的，在大的经济低迷时期的短期预测。模拟和实验结果似乎支持我们提出的LSTM with U-MIDAS方案用于临近预报应用。

2021-09-28cs.LGecon.EMstat.ML

基于注意力的Ensemble LSTM海冰预报

Sea Ice Forecasting using Attention-based Ensemble LSTM

University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）

准确预测北极海冰从亚季节到季节尺度一直是一项重大的科学工作，面临着根本性的挑战。除了基于物理学的地球系统模型外，研究人员还将多种统计和机器学习模型用于海冰预测。着眼于数据驱动的海冰预测的潜力，我们提出了一种基于注意力的长短期记忆（LSTM）集成方法，以预测每月的海冰范围提前1个月。使用来自NSIDC的每日和每月卫星检索的海冰数据以及来自ERA5再分析产品的大气和海洋变量，我们证明了我们的多时相集成方法优于几种基线和最近提出的深度学习模型。这将大大提高我们预测未来北极海冰变化的能力，这对于预测运输路线、资源开发、海岸侵蚀、对北极沿海社区和野生动物的威胁至关重要。

2022-02-08cs.AIcs.LGphysics.ao-ph

基于Bi-LSTM算法的尼日利亚哈科特港空气质量指数预测模型

A Model for Forecasting Air Quality Index in Port Harcourt Nigeria Using Bi-LSTM Algorithm

Rivers State University（河流州大学）

工业排放的有毒气体、汽车排放的废气，以及大气中有害气体和颗粒物浓度的增加，都是导致空气质量恶化的因素。工业、城市化、人口增长和车辆使用增加等因素导致污染程度迅速增加，对人类健康产生不利影响。本文提出了一种使用双向LSTM模型预测尼日利亚空气质量指数的模型。空气污染数据从在线数据库（UCL）下载。数据集使用python中的两个pandas工具进行了预处理。预处理的结果被用作训练Bi-LSTM模型的输入特征，以预测颗粒物Pm2.5和Pm10的未来值。Bi-LSTM模型使用一些评估参数进行评估，例如均方误差，平均绝对误差，绝对均方和R^2平方。Bi-LSTM的结果显示均方误差为52.99%，相对均方误差为7.28%，平均绝对误差为3.4%，R^2平方为97%。该模型这表明该模型在预测尼日利亚哈科特港的空气质量时遵循无缝趋势。

2023-02-08cs.AIcs.LG

基于LSTM的日前电力价格及其波动率概率预测

Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs

Forschungszentrum Jülich（于利希研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Norwegian University of Life Sciences（挪威生命科学大学）

针对俄乌冲突后欧洲电价暴涨且波动剧烈的问题，提出一种基于LSTM的日前电价概率预测模型，通过联合预测均值与标准差实现概率输出，结合超统计学验证其可准确复现电价及波动率。

2023-10-05cs.LGphysics.data-anphysics.soc-ph

DA-LSTM：一种用于区间负荷预测的动态漂移自适应学习框架

DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks

Karlstad University（卡尔斯塔德大学）；CGI（CGI集团）；Deggendorf Institute of Technology（代根多夫理工学院）；Czech Technical University in Prague（捷克布拉格技术大学）

针对负荷预测中概念漂移幅度动态变化的问题，提出DA-LSTM框架，无需预设漂移阈值，通过主动与被动自适应策略提升预测性能，并在真实云环境中验证了其有效性。

2023-05-15cs.AIcs.LG

基于Delta目标重构的LSTM与Transformer短期电力负荷预测

Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models

针对电力负荷非平稳性，提出Delta目标重构方法，让LSTM和Transformer预测负荷变化量而非绝对值，在小时级预测中MAE和MAPE降低超50%。

2026-06-17cs.LG

基于LSTM网络的随机波动率建模：一种用于S&P 500指数波动率预测的混合方法

Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting

University of Warsaw（华沙大学）；Faculty of Economic Sciences（经济学院）；Department of Quantitative Finance and Machine Learning（金融与机器学习系）；Quantitative Finance Research Group（金融研究组）

本文提出了一种结合随机波动率模型和LSTM网络的混合方法，用于改进S&P 500指数波动率预测，通过统计测试和投资模拟验证了其优越性。

2025-12-13cs.AIcs.LGcs.NE

即使存在不完整的时空数据，LSTM网络也能提供高效的蓝藻水华预测

LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data

Universidad Complutense de Madrid（马德里康普顿斯大学）

提出基于LSTM的早期预警系统，利用6年不完整高频时空数据预测蓝藻水华，多变量LSTM在4至28天预测范围内表现最佳，准确率达90%。

2024-10-09cs.LGcs.NEq-bio.QM

微电网中基于 LSTM 的负荷预测对抗噪声注入攻击的鲁棒性

LSTM-based Load Forecasting Robustness Against Noise Injection Attack in Microgrid

Clemson University International Center for Automotive Research (CU-ICAR)（克莱姆森大学国际汽车研究中心（CU-ICAR））

本文评估微电网负荷预测 LSTM 在黑盒高斯噪声攻击下的性能下降，并通过输入端最优截止频率低通滤波器提升其鲁棒性。

2023-04-25cs.AIcs.CRcs.LG

将LSTM网络与神经莱维过程整合用于金融预测

Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting

Department of Computer Science, University of Verona（计算机科学系，威尼斯大学）

本文提出了一种结合LSTM网络与神经莱维过程的混合模型，利用灰狼优化器优化LSTM参数，并通过人工神经网络校准模型参数，以提高金融预测的准确性。

2025-11-26cs.LGq-fin.ST

时间序列预测中KAN与LSTM的性能比较

KAN vs LSTM Performance in Time Series Forecasting

Department of Mathematics, Swinburne University of Technology（斯威本理工大学数学系）

研究通过PyKAN实现的基线Kolmogorov-Arnold网络（KAN）与长短期记忆（LSTM）网络对随机非平稳金融时间序列预测进行比较，评估预测准确性等，结果支持LSTM用于关键金融预测，为KAN建立基线。

2026-07-07cs.AIcs.LG

Lion算法--优化长短期记忆网络在印度Udupi地区地下水位预测中的应用

Lion Algorithm- Optimized Long Short-Term Memory Network for Groundwater Level Forecasting in Udupi District, India

Manipal Institute of Technology（马尼帕尔理工学院）

地下水是一种宝贵的自然资源。地下水位预测是水资源管理领域的重要内容。从观测井测量GWL是关于含水层的主要信息来源，对含水层的评价至关重要。印度卡纳塔克邦Udupi地区的大部分地区由地质构造组成：红土地形和片麻状复合体。由于地形崎岖和降雨不一致，Udupi地区的GWL持续下降，大多数开放式水井在夏季干涸。因此，本研究旨在建立一个基于混合长短期记忆-狮子算法（LSTM-LA）的地下水位预测模型。历史GWL和降雨量数据从Udupi区，位于印度卡纳塔克邦的观测井，被用来开发模型。混合LSTM-LA模型的预测精度优于前馈神经网络（FFNN）和孤立LSTM模型。基于混合LSTM-LA的预测模型对于更大的数据集是有希望的。

2019-12-05cs.LG

荷兰短期降水预报：卷积LSTM神经网络在天气雷达数据中的应用

Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data

Eindhoven University of Technology（埃因霍温理工大学）

本研究将ConvLSTM应用于荷兰KNMI天气雷达数据，通过九层自编码器融合CNN空间特征提取与LSTM时序建模，实现1.5小时短期降水预报，验证了其在复杂天气区域的高精度预测潜力。

2023-12-02cs.LG

预测经济和金融时间序列：ARIMA与LSTM

Forecasting Economics and Financial Time Series: ARIMA vs. LSTM

Texas Tech University（得克萨斯理工大学）

时间序列数据预测是经济、商业和金融领域的重要课题。传统上，有几种技术可以有效地预测时间序列数据的下一个滞后，例如单变量自回归（AR），单变量移动平均（MA），简单指数平滑（SES），更值得注意的是自回归积分移动平均（ARIMA）及其许多变化。特别是ARIMA模型在预测时间序列下一个滞后的精度和准确性方面表现出了优异的性能。随着计算机计算能力的最新进步，更重要的是开发了更先进的机器学习算法和方法，例如深度学习，开发了新的算法来预测时间序列数据。本文研究的问题是，新开发的基于深度学习的时间序列数据预测算法，如“长短期记忆（LSTM）"，是否以及如何优于传统算法。本文中进行和报告的实证研究表明，基于深度学习的算法（如LSTM）优于基于传统的算法（如ARIMA模型）。更具体地说，与ARIMA相比，LSTM获得的出错率平均降低了84 - 87%，表明LSTM优于ARIMA。此外，注意到训练次数（在深度学习中称为“epoch”）对训练的预测模型的性能没有影响，并且它表现出真正的随机行为。

2018-03-16cs.LGq-fin.STstat.ML

从观测到预测：LSTM用于高速公路进出匝道的车辆车道变更预测

From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps

C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems（C-DRiVeS实验室：车载系统认知驾驶研究）；Computer Science and Engineering Department - Faculty of Media Engineering and Technology - German University in Cairo（计算机科学与工程系 - 媒体工程与技术学院 - 埃及德国大学）

本文研究了高速公路进出匝道区域与直线路段的区别，利用多层LSTM架构和ExiD无人机数据集训练模型，测试了不同预测时间范围和不同模型的工作流程，结果表明在4秒内预测准确率可达76%（匝道区域）和94%（一般高速公路场景）.

2026-01-21cs.AIcs.LGcs.NE

多变量LSTM基于预测可再生能源：增强气候变化缓解

Multivariate LSTM-Based Forecasting for Renewable Energy: Enhancing Climate Change Mitigation

本文提出基于多变量LSTM的预测模型，用于提高可再生能源发电的预测精度，从而降低碳排放并提升电力供应的可靠性。

2026-01-16cs.LG

用于PM$_{2.5}$时间序列预测的频率感知注意力-LSTM

Frequency-Aware Attention-LSTM for PM$_{2.5}$ Time Series Forecasting

Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；College of Computer Science and AI Southwest Minzu University（西南民族大学计算机科学与人工智能学院）；School of Information Technology Guangxi Police College（广西警察学院信息技术学院）

针对PM$_{2.5}$浓度预测问题，提出融合频域分解（STL+FFT）、堆叠LSTM与多头注意力的FALNet模型，在真实数据集上的MAE等指标优于传统模型，可有效捕捉污染波动，为环境决策提供支持。

2025-04-15cs.LG

StockBot 2.0： vanilla LSTMs 在股票价格预测中优于基于变换器的预测

StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices

Department of Mechanical Engineering, Stanford University, CA 94305-4040, USA（机械工程系，斯坦福大学）

StockBot 2.0通过vanilla LSTM在股票价格预测中优于基于变换器的模型，展示了递归序列模型在金融时间序列预测中的鲁棒性和数据效率。

2026-01-01cs.CEcs.CLcs.LG

光伏发电日前预测的自适应深度学习框架

An Adaptive Deep Learning Framework for Day-ahead Forecasting of Photovoltaic Power Generation

Peng Cheng Laboratory（鹏城实验室）；Southern University of Science and Technology（南方科技大学）

光伏发电（PVPG）的准确预测对于优化能源供需之间的运营至关重要。最近，传感器和智能仪表的普及产生了大量的数据，这支持了基于数据的PVPG预测的发展。虽然新兴的深度学习（DL）模型，例如基于历史数据的长短期记忆（LSTM）模型，为PVPG预测提供了有效的解决方案，并取得了巨大的成功，但这些模型利用了离线学习。因此，DL模型无法利用从新到达的数据中学习的机会，并且无法处理由安装额外的PV单元和不可预见的PV单元故障引起的概念漂移。因此，为了提高日前PVPG预测精度，同时消除概念漂移的影响，本文提出了一种自适应LSTM（AD-LSTM）模型，这是一种DL框架，不仅可以从历史数据中获取一般知识，还可以从新到达的数据中动态学习特定知识。将两阶段自适应学习策略（TP-ALS）集成到AD-LSTM中，并提出了一种滑动窗口（SDWIN）算法，以检测PV系统中的概念漂移。利用光伏系统的多个数据集来评估所提出的方法的可行性和有效性。开发的AD-LSTM模型比离线LSTM模型具有更强的预测能力，特别是在存在概念漂移的情况下。此外，与文献中的其他传统机器学习模型和统计模型相比，所提出的AD-LSTM模型在日前PVPG预测方面也具有优异的性能。

2021-09-28cs.AIcs.LGphysics.comp-ph

基于分层注意力LSTM（HierAttnLSTM）的网络级时空交通状态预测

Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM)

University of Tennessee at Chattanooga（田纳西大学查塔努加分校）

针对网络级交通状态预测需求，本文提出分层注意力LSTM（HierAttnLSTM）模型，整合不同层级LSTM状态并引入注意力机制，在PeMS数据集上优于基线模型，提升预测精度且能识别异常拥堵，数据代码开源。

2025-02-14cs.AIcs.LG

用于二维和三维微观结构演化长期预测的物理信息GCN-LSTM框架

Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution

本文提出一种物理信息GCN-LSTM框架，在潜在图空间中联合学习不同成分数据，实现二维和三维微观结构演化的高效长期预测。

2025-09-18cond-mat.mtrl-scics.CEcs.LG

用于天气预报的深度学习：一种预测历史温度数据的 CNN-LSTM 混合模型

Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data

Nanchang Institute of Science and Technology（南昌理工学院）；Columbia University In the City of New York（纽约市哥伦比亚大学）

本文提出一种 CNN-LSTM 混合模型，结合空间特征提取与时间依赖建模，以 MAE 为损失函数预测历史温度数据，显著提升精度与稳定性，并验证其在气候预测中的应用潜力。

2024-10-19cs.DCcs.LGphysics.ao-ph

利用LSTM和随机森林预测股票价格的日内方向性波动

Forecasting directional movements of stock prices for intraday trading using LSTM and random forests

BITS Pilani（比尔拉科学技术学院）；Nanyang Technological University（南洋理工大学）

我们采用随机森林和LSTM网络（更准确地说是CuDNNLSTM）作为训练方法，分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置，不仅包括收盘价的回报，但也相对于开盘价和日内回报。作为交易策略，我们使用Krauss et al.（2017）和Fischer & Krauss（2018）作为基准。在每个交易日，我们买入概率最高的10只股票，卖空概率最低的10只股票，以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明，在交易成本之前，多特征设置使用LSTM网络提供了0.64%的每日回报，使用随机森林提供了0.54%的每日回报。因此，我们的表现优于Fischer & Krauss（2018）和Krauss et al.（2017）中的单一特征设置，仅包括收盘价的每日回报，LSTM和随机森林的相应每日回报分别为0.41%和0.39%。

2021-06-30cs.LGq-fin.STstat.ML

通过LSTM模型进行深度学习，用于印度的COVID-19感染预测

Deep learning via LSTM models for COVID-19 infection forecasting in India

University of New South Wales（新南威尔士大学）；Indian Institute of Technology Guwahati（印度理工学院古瓦哈提分校）

COVID-19疫情继续对健康及医疗基础设施、经济及农业造成重大影响。由于感染传播的复杂性，著名的计算和数学模型一直不可靠。此外，由于缺乏数据汇集和报告，建模工作变得困难和不可靠。因此，我们需要借助可靠的数据来源和创新的预测模型来重新审视这一情况。深度学习模型，如递归神经网络，非常适合对时空序列进行建模。在本文中，我们应用递归神经网络，如长短期记忆（LSTM），双向LSTM和编码器-解码器LSTM模型，用于多步（短期）COVID-19感染预测。我们选取印度COVID-19疫情高发的州，捕捉第一波（2020年）及第二波（2021年）的感染情况，并提供两个月的预测。我们的模型预测，2021年10月和11月发生另一波感染的可能性很低;然而，鉴于新出现的病毒变种，当局需要保持警惕。预测的准确性促使该方法在其他国家和地区的应用。然而，由于数据的可靠性以及难以捕捉人口密度、物流以及文化和生活方式等社会方面的因素，建模仍然面临挑战。

2022-01-17cs.AIcs.LGstat.AP

优化LSTM神经网络用于资源受限的零售销售预测：一种模型压缩研究

Optimizing LSTM Neural Networks for Resource-Constrained Retail Sales Forecasting: A Model Compression Study

Campbellsville University（坎贝尔斯维尔大学）

本文通过减少LSTM模型的隐藏单元数，实现了更小的模型体积和更高的预测准确性，证明了在资源受限情况下优化模型的有效性。

2026-01-02cs.AIcs.LG

具有应用到黄金价格预测的趋势调整时间序列模型

Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting

本文提出TATS模型，通过趋势调整提升时间序列预测精度，应用于黄金价格预测并优于LSTM和Bi-LSTM模型。

2026-01-27cs.LG

使用 xLSTM 增强时空网络：一种用于蜂窝流量预测的 Scalar LSTM 方法

Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting

Deggendorf Institute of Technology（德格多夫技术学院）

本文提出结合 sLSTM 与三层 Conv3D 的轻量级双路径时空网络，用于蜂窝流量预测，在真实数据集上较 ConvLSTM 降低 23% MAE，并提升 30% 泛化能力。

2025-07-17cs.AIcs.LG

混合SARIMA-LSTM模型用于本地天气预测：一种基于残差学习的数据驱动气象预测方法

Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction

Stevens Institute of Technology（史蒂文斯理工学院）

本文提出混合SARIMA-LSTM模型，通过残差学习分解温度为气候和天气成分，结合统计稳定性和神经可塑性提升长距离天气预测精度。

2026-01-12cs.AIcs.LG

基于LSTM的美国股票收益回归与预测

Regression and Forecasting of U.S. Stock Returns Based on LSTM

本文基于Fama-French三因子、Carhart四因子及五因子模型分析美国股市三个板块的投资回报，并利用LSTM模型探索额外影响因素，实证表明五因子模型有效性最佳且LSTM能更好地回归与预测相关行业股票收益。

2025-05-28cs.LGq-fin.ST

基于混合LSTM-PINN模型预测印度人口转型在生育政策情景下的演变

Forecasting India's Demographic Transition Under Fertility Policy Scenarios Using hybrid LSTM-PINN Model

Sant Longowal Institute of Engineering and Technology（桑特·朗戈瓦尔工程与技术学院）；School of Computer and Mathematical Sciences, The University of Adelaide（计算机与数学科学学院，阿德莱德大学）

本研究提出混合LSTM-PINN模型，用于预测印度在不同生育政策情景下的人口转型，揭示政策对人口结构及劳动力影响。

2025-11-30cs.CYcs.LG

使用LSTM+XGBoost进行加密货币价格预测

crypto price prediction using lstm+xgboost

Dept. of Management ABV-IIITM Gwalior（管理学院 ABV-IIITM 加尔瓦尔）

本研究提出一种集成LSTM和XGBoost的混合模型用于加密货币价格预测，通过结合历史数据与辅助特征，在多种加密货币数据集上验证了其优于单一模型和传统方法的预测性能。

2025-06-27cs.LG

解锁LSTM在长期时间序列预测中的潜力

Unlocking the Power of LSTM for Long Term Time Series Forecasting

University of Oxford（牛津大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Princeton University（普林斯顿大学）；Alibaba Group（阿里巴巴集团）；Duke Kunshan University（昆山杜克大学）；Squirrel AI（松鼠AI）

针对sLSTM在时间序列预测中的短期记忆局限，提出基于分块和通道独立性的P-sLSTM算法，显著提升长期预测性能并达到最先进水平。

2025-02-24cs.LG

APS-LSTM：利用多周期性与多样空间依赖进行洪水预报

APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting

Hohai University（河海大学）；Key Laboratory of Water Big Data Technology of Ministry of Water Resources（水利部水大数据技术重点实验室）；College of Computer and Software, Hohai University（河海大学计算机与软件学院）

针对洪水预测中复杂非线性时间模式与降雨—径流空间依赖难捕捉的问题，提出 APS-LSTM，通过 FFT 多周期划分、周期与空间自注意力及基于振幅的自适应聚合提升预报性能。

2024-12-07cs.AIcs.LG

使用 Convolutional LSTM 的大学校园电网频率预测

Grid Frequency Forecasting in University Campuses using Convolutional LSTM

本文提出利用 CNN 和 LSTM 构建个性化 ConvLSTM 模型预测大学校园各建筑电网频率，并设计集成模型汇总预测，结果在 MSE、MAE 和 MAE 上优于传统方法，同时保障了数据隐私。

2023-10-24cs.AIcs.LG

基于M带小波的SVR和RNN-LSTMs模型的股票预测

Stock Forecasting using M-Band Wavelet-Based SVR and RNN-LSTMs Models

Western Connecticut State University（西康涅狄格州立大学）

预测未来股票价值的任务一直是人们非常渴望的，尽管非常困难。这个困难来自股票的非平稳行为，没有任何明确的形式。因此，最好通过分析金融股票数据来进行预测。为了处理大数据集，目前的惯例涉及使用移动平均线。然而，利用小波变换代替移动平均去噪股票信号，金融数据可以平滑和更准确地分解。这种新转换，去噪和更稳定的股票数据可以通过非参数统计方法进行跟踪，例如支持向量回归（SVR）和基于循环神经网络（RNN）的长短期记忆（LSTM）网络来预测未来股票价格。通过这些方法的实施，人们得到了更准确的股票预测，进而增加了利润。

2019-04-17cs.LGq-fin.CPstat.ML

基于量子核的长短期记忆网络用于气候时间序列预测

Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting

National Center for High-Performance Computing, NARlabs（国家高性能计算中心（国家高速网络与计算中心））；Cross College Elite Program, National Cheng Kung University（成功大学跨学院精英计划）；National Synchrotron Radiation Research Center（国家同步辐射研究中心）；Imperial College London（伦敦帝国学院）

本研究提出QK-LSTM网络，将量子核方法融入经典LSTM，嵌入高维量子特征空间捕捉非线性依赖，适配NISQ时代，在AQI预测中优于经典LSTM，可用于环境监测等场景。

2024-12-12cs.AIcs.LGquant-ph

使用LSTM和动态行为模型预测COVID-19在受控情况下的传播

Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models

The University of New South Wales（新南威尔士大学）

为了准确预测COVID-19感染的区域传播，该研究提出了一种新的混合模型，该模型将长短期记忆（LSTM）人工递归神经网络与动态行为模型相结合。若干因素及控制策略影响病毒传播，而导致COVID-19感染传播的混杂变量所产生的不确定性相当大。该模型考虑了多种因素的影响，以提高预测十大受影响最严重的国家和澳大利亚的病例和死亡人数的准确性。结果表明，该模型与试验数据吻合较好。它不仅提供准确的预测，而且还估计系统在不确定性下的日常行为。混合模型在有限的可用数据下优于LSTM模型。混合模型的参数进行了优化，使用遗传算法为每个国家，以提高预测能力，同时考虑到区域属性。由于建议的模型可在考虑遏制政策的情况下准确预测COVID-19传播，因此能够用于政策评估、规划和决策。

2020-05-24cs.LGcs.NEphysics.soc-ph

一种用于人口预测特定问题的LSTM-PINN混合方法

An LSTM-PINN Hybrid Method to the specific problem of population forecasting

Nanophotonics and Biophotonics Key Laboratory of Jilin Province, School of Physics, Changchun University of Science and Technology（吉林省纳米光子与生物光子重点实验室，长春理工大学物理学院）

本文提出PINN和LSTM-PINN两种物理信息深度学习框架，将政策感知生育率函数嵌入输运-反应偏微分方程，用于模拟2024至2054年年龄结构人口动态，并在三种生育政策情景下验证了模型反映政策敏感人口变化的能力。

2025-05-03cs.LG

ARIMA、LSTM和BiLSTM预测金融时间序列的比较分析

A Comparative Analysis of Forecasting Financial Time Series Using ARIMA, LSTM, and BiLSTM

Texas Tech University（德克萨斯理工大学）；Georgia Institute of Technology（佐治亚理工学院）

基于机器和深度学习的算法是解决时间序列预测问题的新兴方法。这些技术已被证明比传统的基于回归的建模产生更准确的结果。据报道，具有记忆的人工递归神经网络（RNN），如长短期记忆（LSTM），与自回归积分移动平均（ARIMA）相比，具有较大的裕度。基于LSTM的模型包含额外的“门”，用于存储较长序列的输入数据。主要的问题是，LSTM架构中包含的门是否已经提供了良好的预测，以及是否需要额外的数据训练来进一步改善预测。双向LSTM（BiLSTM）通过遍历输入数据两次（即，1)从左到右，以及2）从右到左）。感兴趣的研究问题是，具有额外训练能力的BiLSTM是否优于常规的单向LSTM。本文报告了BiLSTM和LSTM模型的行为分析和比较。我们的目标是探索在多大程度上额外的数据训练层将有利于调整所涉及的参数。结果表明，额外的数据训练和基于BiLSTM的建模比常规的基于LSTM的模型提供了更好的预测。更具体地说，观察到BiLSTM模型提供了比ARIMA和LSTM模型更好的预测。BiLSTM模型达到平衡的速度比基于LSTM的模型慢得多。

2019-11-21cs.CEcs.LGcs.PF