基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

本研究论文探讨了飞机延误问题，重点关注其对安全和经济损失的影响。为了缓解这些问题，提出了一种创新的机器学习增强的降落调度方法，旨在提高自动化和安全性。通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。一种多阶段条件机器学习预测器增强了基于飞行事件的分离时间预测。机器学习预测结果被整合为安全约束，并在时间约束下使用整数线性规划求解旅行推销员问题。通过历史飞行记录和模型预测来处理连续飞行之间的不确定性，确保可靠性。所提出的方法使用来自亚特兰大空中交通管制中心（ARTCC ZTL）的实际数据进行验证。案例研究表明，与先到先服务（FCFS）规则相比，总降落时间平均减少了 17.2％。与 FCFS 不同，所提出的方法考虑了不确定性，增强了调度的可信度。研究总结并提出了未来的研究方向。

Nov, 2023

该研究侧重于 LSTM 模型在金融风险预测中的应用和优化，实验结果表明，经过优化的 LSTM 模型在 AUC 指数上相比随机森林、BP 神经网络和 XGBoost 都有显著优势，验证了其在金融风险预测领域的有效性和实用性，尤其是处理复杂时间序列数据的能力，为该模型在实际生产环境中的应用奠定了坚实基础。

May, 2024

我们利用长短期记忆模型 (LSTM) 预测以实时方式到达 JFK 机场并在距离着陆跑道阈值 10 纳米内的航班中，可能执行盘旋操作的概率。我们进一步开发方法来从全局视角和个别飞行视角检查引起盘旋操作的原因。根据我们的结果，紧随其后的间隔和同时运行跑道似乎是导致总体盘旋操作的主要因素。然后，我们将这些预先训练的模型和分析与实时数据流集成，并最终开发了一个演示基于 Web 的用户界面，将之前设计的不同组件整合成一个可供飞行人员和其他线路人员使用的实时工具，用于识别可能发生盘旋操作的高风险情况。

May, 2024

这篇研究论文强调了飞行安全在中国民航业的重要性，并强调了全面研究的必要性。研究主要集中在分析超限事件和统计评估非超限数据两个方面。当前方法的挑战在于对超限事件不足的原因分析。提出的解决方案涉及数据预处理、可靠性评估、用神经网络量化飞行控制、探索性数据分析、利用机器学习评估飞行人员技能以及建立实时自动警告。这些努力旨在提高飞行安全、人员评估和警告机制，为更安全、更高效的民航业做出贡献。

Aug, 2023

利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

Mar, 2024

本文介绍了 SA-LSTM，一种深度预测方法，通过在空间维度上集成自注意力 (SA) 和长短期记忆 (LSTM)，在实时中尺度交通预测方面取得了最先进的结果，并将此方法扩展到多步预测，从而在短期和长期预测之间取得了传统多步预测方法无法匹敌的平衡，并且在实时运行中实现了这些功能。

Feb, 2024

本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

Jan, 2022

基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

Jun, 2024

使用 LSTM 模型和关键点提取，对公共交通领域的乘客进行行为预测，以减少逃票问题。同时，结合 ReID 模型提高准确性，帮助公共交通公司定位逃票问题的根源。

May, 2024