- 混合密度神经网络在随机茎材修整中的应用
利用随机断头法改善由森林采伐机做出的断头决策，通过使用 LSTM 神经网络进行参数预测，从而生成多个树干剖面预测样本，进而优化断头决策。与两个基准模型相比较，随机断头算法能够取得最佳的效果，其次是确定性 LSTM 模型，最差的结果是由多项式 - GAD：一种具有在线自适应学习的实时步态异常检测系统
通过降维和长短时记忆（LSTM）方法，该论文引入了 GAD（实时步态异常检测系统），用于在三维加速度计读数中检测个人的异常步态，并通过在线学习自适应于细微模式变化，实现了较高的检测准确率。
- 社交媒体应用顺序可预测：使用 LSTM 和 Transformer 神经网络建模习惯行为
通过对连续智能手机用户行为的预测建模，本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆（LSTM）和变压器神经网络，我们展示了社交媒体使用在个人内部和个人之间是可预测的，同时在个体之间的预测差异也是稳健的。
- 利用长短期记忆网络（LSTM）合并西班牙内华达山区的降水数据
利用长短时记忆（LSTM）深度学习技术，在较高分辨率的时间和空间尺度上将基于雷达和卫星的全球降水测量产品合并，以有效捕捉观测的时间趋势并提高准确性，其中包括采用偏差修正技术以增强合并降水产品的准确性。
- 加强下一个目的地预测：一种使用现实世界航空数据的新型 LSTM 方法
本研究旨在开发一种精确的模型，通过捕捉旅行数据中的序列模式和依赖关系，实现对个体旅行者未来目的地的准确预测，为现代交通运输行业带来多重益处，并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公 - 发掘动态模式分解和深度学习在印度东北降雨预测中的能力
使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析， - 大规模 MIMO 信道状态信息预测的频谱时域图神经网络
在 5G 通信系统领域，准确预测信道状态信息 (CSI) 对优化性能至关重要。该论文介绍了一种开创性的方法：采用图傅里叶变换，将无线信道的空间关系和时间动态融合到谱时图神经网络 (STEM GNN) 中。我们将 STEM GNN 方法与传统 - 使用带有注意机制的 LSTM 进行人类轨迹预测
我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤 - 基于时空深度学习的高速公路交通量预测
通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。
- 高效的选择性注意力 LSTM 用于测井曲线合成
通过引入自注意机制分析数据的空间依赖性，本论文提出了一种机器学习方法用于预测缺失的岩屑曲线，并通过实验证实了其有效性和可行性，该方法将传统的 LSTM 神经网络与自注意机制相结合，降低了计算复杂度，提高了模型的效率。实验结果表明，与基于全连 - 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测
通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电 - 深度神经网络中自组织走向 $1/f$ 噪声
研究在 DNN，尤其是 LSTM 网络中发现存在 $1/f$ 噪声，类比于人脑中用于测量 $1/f$ 噪声的 EEG 和 fMRI 技术，研究比较了 LSTM 细胞中 “内” 和 “外” 激活的指数总体变化趋势与人脑 fMRI 信号类似。
- 基于标准化 LSTM 和层级相关传播的数字孪生道路可解释的在线变道预测
该研究提出了一种创新的方法和技术实现，使用层次规范化的 LSTM 和基于 LRP 的方法来解释车道变更预测。其目的是为了增加人类信赖并减少人工智能系统的错误率。
- 车辆再识别的变分表示学习
本文采用基于深度学习的变分特征学习和 LSTM，以多视点图像为基础，提出了一种高效表征车辆的方法，该方法具有实验表明的出色性能。
- 可理解的基于上下文的文本游戏
本文提出了将位置和语法定向结构从文本中提取并使用快速卷积神经网络编码为状态的方法，并以通用和实用的方式增强奖励信号，以加快计算机智能体训练速度和提高其质量。
- 三种精简版 LSTM (长短时记忆网络) 层的性能
本研究使用计算分析验证了标准 LSTM 和三种 SLIM LSTM 层性能的比较，发现其中某些 SLIM LSTM 层可以在卷积加循环神经网络架构中与标准 LSTM 层的表现相当。
- 基于长短期记忆网络的时间序列预测深度学习
本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低 - 利用长短期记忆网络对高维混沌系统进行数据驱动的预测
使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM - 基于 LSTM 编码器 - 解码器的车辆轨迹序列预测
本文提出了一种基于深度学习的，可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆（LSTM）的编码器分析过去轨迹中的模式，使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输 - 利用 LSTM 神经网络进行预测性业务流程监控
本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。