本文提出了一种多变量 LSTM 模型，能够准确预测带有外生变量的时间序列，并且解释各个变量的重要性。采用张量化隐藏状态设计的多变量 LSTM 学习每个变量的隐藏状态，从而实现混合时间和变量注意力机制，并且量化了各个变量的重要性。基于真实数据集和合成数据集的实验结果表明，相较于其他基线模型，多变量 LSTM 具有良好的预测性能和解释性，展现出成为端到端框架进行预测和知识发现的前景。

Jun, 2018

文中提出了一种可解释的 LSTM 递归神经网络，即具有外生变量的时间序列的多变量 LSTM。该方法通过引入张量化的隐藏状态，学习每个变量的特定表示，从而实现了时间和变量级别的注意力，与统计 Granger 因果测试的变量重要性高度吻合。这一多变量 LSTM 模型可用于预测和知识发现的简单统一的端到端框架。

Apr, 2018

本文研究 LSTM 循环神经网络，探索变量的隐藏状态来捕获多变量时间序列的不同动态，并提出了混合注意机制模型来轨迹生成目标，最终建立联合训练模型以增强准确性并在多变量数据的预测与知识提取中展现潜力。

May, 2019

本文使用两种不同的输入方法设计了一种 LSTM 模型，以预测印度两家公司 Reliance Industries 和 Infosys Ltd 的短期股价。结果表明，使用技术指标的 Multivariate LSTM 模型可以更准确地预测未来的股价行为。

May, 2022

通过距离相关度的多功能度量方法，我们研究了 RNNs 的组成部分与时间序列特征之间的联系并解释了它们的性能差异。我们发现 RNN 的激活层能够很好地学习时间序列的滞后结构，但在连续几个层中逐渐丧失了该信息，从而降低了具有较大滞后结构的序列的预测质量。我们还发现激活层无法充分建模移动平均和异方差时间序列过程，并通过热图可视化不同网络超参数选择下的激活层进行比较，以识别其对预测性能的影响。因此，我们的研究结果可以帮助从业者在无需进行实际训练和评估网络的情况下评估 RNNs 在给定时间序列数据上的效果。

Jul, 2023

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

通过数据增强和验证框架结合长短期记忆网络来丰富神经成像数据集，从而提高深度学习模型的性能，克服神经成像数据集规模有限的挑战。

Dec, 2023

采用 LSTM 和 ARIMA 模型来预测两只股票的相关系数，证明了 ARIMA-LSTM 模型比其他财务模型更优秀，可以在投资组合优化中考虑使用。

Aug, 2018

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型，提出了针对这些模型使用的最佳实践和指导方针。研究发现，当数据集的时间序列具有同质季节模式时，RNN 能够直接模拟季节性；否则，建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较，研究表明，实现了（半）自动化的 RNN 模型在许多情况下是可以竞争使用的。

Sep, 2019