KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios

基于LSTM的金融市场趋势预测与绩效分析

Financial Market Trend Forecasting and Performance Analysis Using LSTM

金融市场趋势预测方法是当今金融市场研究的热点。目前仍然存在许多挑战，并且已经积极地进行了与之相关的各种研究。特别是近年来，基于神经网络的金融市场趋势预测的研究引起了人们的广泛关注。然而，以往的研究并未涉及在时间序列数据中表现良好的基于LSTM的金融市场预测方法。基于神经网络的预测技术和传统预测技术的性能也缺乏比较分析。本文提出了一种基于LSTM的金融市场趋势预测方法，并通过实验分析了其与现有金融市场趋势预测方法的性能。该方法通过数据预处理过程准备输入数据集，从而反映金融数据分析中使用的所有基本面数据、技术数据和定性数据，并通过LSTM进行全面的金融市场分析。本文对现有的金融市场趋势预测模型的性能进行了实验和比较，并根据金融市场的环境进行了性能分析。此外，我们使用开源和平台实现了所提出的方法，并使用各种金融数据指标预测金融市场趋势。

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

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。

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

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。

Deep Learning with Kernel Flow Regularization for Time Series Forecasting

Long Short-Term Memory (LSTM) neural networks have been widely used for time series forecasting problems. However, LSTMs are prone to overfitting and performance reduction during test phases. Several different regularization techniques have been shown in literature to prevent overfitting problems in neural networks. In this paper, first, we introduce application of kernel flow methods for time series forecasting in general. Afterward, we examine the effectiveness of applying kernel flow regularization on LSTM layers to avoid overfitting problems. We describe a regularization method by applying…

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

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。

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。

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

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。

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

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%。

一种基于CNN-LSTM的简约流量预测设置

A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM

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。

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。

Macroeconomic forecasting with LSTM and mixed frequency time series data

This paper demonstrates the potentials of the long short-term memory (LSTM) when applyingwith macroeconomic time series data sampled at different frequencies. We first present how theconventional LSTM model can be adapted to the time series observed at mixed frequencies when thesame mismatch ratio is applied for all pairs of low-frequency output and higher-frequency variable. Togeneralize the LSTM to the case of multiple mismatch ratios, we adopt the unrestricted Mixed DAtaSampling (U-MIDAS) scheme (Foroni et al., 2015) into the LSTM architecture. We assess via bothMonte Carlo simulations and …

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

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。

Sea Ice Forecasting using Attention-based Ensemble LSTM

Accurately forecasting Arctic sea ice from subseasonal to seasonal scales has been a major scientific effort with fundamental challenges at play. In addition to physics-based earth system models, researchers have been applying multiple statistical and machine learning models for sea ice forecasting. Looking at the potential of data-driven sea ice forecasting, we propose an attention-based Long Short Term Memory (LSTM) ensemble method to predict monthly sea ice extent up to 1 month ahead. Using daily and monthly satellite retrieved sea ice data from NSIDC and atmospheric and oceanic variables f…

Time Series Forecasting with Stacked Long Short-Term Memory Networks

Long Short-Term Memory (LSTM) networks are often used to capture temporal dependency patterns. By stacking multi-layer LSTM networks, it can capture even more complex patterns. This paper explores the effectiveness of applying stacked LSTM networks in the time series prediction domain, specifically, the traffic volume forecasting. Being able to predict traffic volume more accurately can result in better planning, thus greatly reduce the operation cost and improve overall efficiency.

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

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。

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

The release of toxic gases by industries, emissions from vehicles, and an increase in the concentration of harmful gases and particulate matter in the atmosphere are all contributing factors to the deterioration of the quality of the air. Factors such as industries, urbanization, population growth, and the increased use of vehicles contribute to the rapid increase in pollution levels, which can adversely impact human health. This paper presents a model for forecasting the air quality index in Nigeria using the Bi-directional LSTM model. The air pollution data was downloaded from an online data…

XGBoost“你所需要的全部”：区域供热系统中传输热能的预测案例

XGBoost "is all you need": the case of forecasting transmitted heat energy in District Heating Systems

本文对比XGBoost与LSTM在区域供热系统热能预测中的表现，发现XGBoost性能更优，且计算成本更低、碳足迹更小，凸显传统ML算法在该场景的优势。

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

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。

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

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。

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%。

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

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。

LSTM网络中嵌入特征选择的多目标进化集成学习用于时间序列预测

Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting

提出一种嵌入LSTM的多目标进化特征选择方法，通过分区优化和堆叠集成提升泛化能力，并在空气质量数据上验证优于现有方法。

自由生活临床环境中的多模态体力活动预测：寻找及时干预的机会

Multimodal Physical Activity Forecasting in Free-Living Clinical Settings: Hunting Opportunities for Just-in-Time Interventions

本研究开发了MoveSense多模态LSTM预测系统，利用可穿戴设备数据提前24小时预测患者步数，在糖尿病和睡眠数据集上表现优于传统基线，为临床及时行为干预提供了有效支持。

预测经济和金融时间序列：ARIMA与LSTM

Forecasting Economics and Financial Time Series: ARIMA vs. LSTM

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。

时间序列预测中KAN与LSTM的性能比较

KAN vs LSTM Performance in Time Series Forecasting

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。

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

Accurate forecasts of photovoltaic power generation (PVPG) are essential to optimize operations between energy supply and demand. Recently, the propagation of sensors and smart meters has produced an enormous volume of data, which supports the development of data based PVPG forecasting. Although emerging deep learning (DL) models, such as the long short-term memory (LSTM) model, based on historical data, have provided effective solutions for PVPG forecasting with great successes, these models utilize offline learning. As a result, DL models cannot take advantage of the opportunity to learn fro…

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。

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

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。

基于长短期记忆（LSTM）深度学习模型的土耳其水力发电量预测

Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey

本研究针对土耳其水力发电量预测问题，构建基于LSTM的深度学习模型，通过不同时间跨度数据与模型层数的对比实验，确定最优参数配置，为长期水电发电规划提供支撑。

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

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。

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)

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。

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

The COVID-19 pandemic continues to have major impact to health and medical infrastructure, economy, and agriculture. Prominent computational and mathematical models have been unreliable due to the complexity of the spread of infections. Moreover, lack of data collection and reporting makes modelling attempts difficult and unreliable. Hence, we need to re-look at the situation with reliable data sources and innovative forecasting models. Deep learning models such as recurrent neural networks are well suited for modelling spatiotemporal sequences. In this paper, we apply recurrent neural network…

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

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。

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

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。

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

We employ both random forests and LSTM networks (more precisely CuDNNLSTM) as training methodologies to analyze their effectiveness in forecasting out-of-sample directional movements of constituent stocks of the S&P 500 from January 1993 till December 2018 for intraday trading. We introduce a multi-feature setting consisting not only of the returns with respect to the closing prices, but also with respect to the opening prices and intraday returns. As trading strategy, we use Krauss et al. (2017) and Fischer & Krauss (2018) as benchmark. On each trading day, we buy the 10 stocks with the highe…

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。

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

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。

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

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。

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

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。

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

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。

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。

Application of LSTM architectures for next frame forecasting in Sentinel-1 images time series

L'analyse pr{é}dictive permet d'estimer les tendances des {é}v{è}nements futurs. De nos jours, les algorithmes Deep Learning permettent de faire de bonnes pr{é}dictions. Cependant, pour chaque type de probl{è}me donn{é}, il est n{é}cessaire de choisir l'architecture optimale. Dans cet article, les mod{è}les Stack-LSTM, CNN-LSTM et ConvLSTM sont appliqu{é}s {à} une s{é}rie temporelle d'images radar sentinel-1, le but {é}tant de pr{é}dire la prochaine occurrence dans une s{é}quence. Les r{é}sultats exp{é}rimentaux {é}valu{é}s {à} l'aide des indicateurs de performance tels que le RMSE et le MAE, …

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

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。

存在电动汽车充电场景下的单户家庭区间负荷预测

Interval Load Forecasting for Individual Households in the Presence of Electric Vehicle Charging

针对现有家庭负荷预测多排除带家用充电桩住户、仅提供无不确定性信息的点预测的问题，提出结合LSTM与贝叶斯推理dropout层的LSTM-BNNs方法，实现带预测区间的高精度预测，且验证了疫情封控对模型性能无显著影响。

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

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。

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

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。

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。

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

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。

Short-Term Aggregated Residential Load Forecasting using BiLSTM and CNN-BiLSTM

Higher penetration of renewable and smart home technologies at the residential level challenges grid stability as utility-customer interactions add complexity to power system operations. In response, short-term residential load forecasting has become an increasing area of focus. However, forecasting at the residential level is challenging due to the higher uncertainties involved. Recently deep neural networks have been leveraged to address this issue. This paper investigates the capabilities of a bidirectional long short-term memory (BiLSTM) and a convolutional neural network-based BiLSTM (CNN…

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

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。

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

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。

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。

使用LSTM模型预测S&P 500

Forecasting S&P 500 Using LSTM Models

本研究比较了ARIMA和LSTM模型在预测S&P 500指数上的表现，发现LSTM在MAE、RMSE和准确率上均优于ARIMA，证实了深度学习在处理波动性金融数据方面的潜力。

使用LSTM+XGBoost进行加密货币价格预测

crypto price prediction using lstm+xgboost

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。