- 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习
基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动 - 使用 LSTM、SVM 和多项式回归预测加密货币价格
应用长短期记忆模型、支持向量机和多项式回归算法对加密货币价格进行预测，通过比较均方误差发现支持向量机使用线性核函数，具有最小的均方误差，为 0.02。
- 使用堆叠自编码器进行特征选择的勒索软件检测
提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。
- MM基于区域相关性的时空深度学习辅助移动流量预测
提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。
- B-LSTM-MIONet: 基于贝叶斯 LSTM 的神经算子，用于学习复杂动力系统对长度可变多输入函数的响应
深度运算器网络（DeepONet）是一种神经网络框架，用于学习描述复杂系统的非线性运算器，该研究通过将长短期记忆（LSTM）集成到多输入神经网络运算器（MIONet）中，以克服数据离散化约束，利用变长实时数据，提高模型在噪声数据集上的准确性 - Transformer 与 LSTM 在电子交易中的对比
通过比较多种基于 LSTM 和 Transformer 的模型在高频限价盘数据上的多个金融预测任务中的表现，研究发现 Transformer-based 模型在绝对价格趋势预测方面仅具有有限优势，而基于 LSTM 的模型在价格差异和价格变动 - 具有更灵活记忆的循环神经网络：相较于粗糙波动性更好的预测
我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs - 一款基于 AIoT 的自主型痴呆监测系统
提出了一种自主的人工物联网（AIoT）系统，用于智能家居中对老年痴呆患者的监测，主要实现两个功能：基于传感器数据的实时异常活动监测和疾病相关活动趋势预测。该系统的 RF 分类器设计准确率大于 99％和 94％，并且使用 LSTM 模型可以实 - 将 LSTMs 和 GNNs 集成用于 COVID-19 预测
本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。
- 基于时域平均 LSTM 的 IEEE 802.11p 标准信道估计方案
本文讨论了车载通信中关于通道估计的问题，提出采用基于 LSTM 的方法取代传统的深度学习技术以提高计算效率和降低噪声水平，同时证实该方法相对于其他近期提出的深度学习估算器具有更好的性能。
- 一种基于 CNN-LSTM 的预测城市扩张方法
本文提出了一种基于语义图像分割的新型两步方法来预测城市扩张，结合卷积神经网络和长短时记忆方法以学习时间特征，以多日期卫星影像数据在沙特阿拉伯的三个城市进行了实验评估，结果显示新的联合卷积神经网络 - 长短时记忆方法具有更好的性能表现。
- ICLR循环神经网络有多混沌？
通过系统实证分析，本文发现在文本生成等实际应用场景下，基本的 RNN 或 LSTM RNN 的训练过程中不会表现出混沌行为，这一发现说明未来的研究应该将方向放在非线性动力学的另一个方面上。
- ICCV任务导向接地的动态注意力网络
本文提出了一种新的动态注意力网络架构，用于文本和视觉表示的高效多模态融合，从而实现自然语言指令下机器人对环境的理解和控制，模型通过 LSTM 实现动态关注，基于任务的接地和增强学习控制中取得了良好效果。
- DIANet：密集和隐式注意力网络
本文提出 Dense-and-Implicit-Attention (DIA) unit，其可通过共享单一的注意力模块，在网络不同层次间促进信息整合。实验表明，由 DIA-LSTM 组成的 DIA 单元能够强调层与层之间的特征相互关系，并可 - 从原始语音进行语音情感的直接建模
本文提出了一种基于并行卷积层的方法，在特征提取单元中利用多个时间分辨率来共同训练 LSTM 分类神经网络。该方法可用于处理原始语音数据的情感识别任务，并可以达到使用手工制作特征训练 CNN 的性能水平。
- 通过前向摄像头进行端到端车辆纵向控制的模仿学习
本文介绍了一种基于神经网络和长短时记忆的端到端的仿真学习系统，以控制车辆速度，并通过数据和标签增强来实现在纵向控制场景下的鲁棒性和泛化能力，该系统只基于前置摄像头图像，在模拟环境和真实道路测试中展现了良好的控制效果。
- 基于波形的 ANN-LSTM 网络利用心电图和光电脉搏图估计无腕带血压
研究提出一种以波形为基础的分层人工神经网络 - 长短期记忆模型用于血压估计，模型自动提取应用典型的 PPG 和 ECG 波形的形态特征并考虑其时间域变化，使血压可在一种非侵入性的连续方式下的可靠估计，预计将极大地促进移动健康护理设备的发展。
- LSTM 神经网络进行无监督和半监督异常检测
本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提 - 情感神经响应生成
通过引入情感方面的三种新方法，可以改善神经会话模型的自然语言处理能力，实现更加丰富、有趣和自然的情感化响应。
- ICCV长短期记忆卡尔曼滤波器：姿态正则化的循环神经估计器
本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。