lstm

KNOU-Flood 在开放的 AIFL 全球河川流量预报方案基础上，引入了感知预报提前期的输入、GraphCast 强迫数据、更长的输入窗口以及基于潜在噪声的概率集合，在 2,099 个测试流域中显著改善了 KGE′ 和 CRPS，并表明，已报告的预报性能随提前期延长而衰减的现象，很大程度上源于输入协议的影响。

一种面向 MIMO 信道估计的时间序列条件扩散框架，利用 LSTM 编码时域动态特征，并结合信噪比门控的后期融合捷径，通过信噪比自适应的 DDIM 去噪实现 5G/6G 系统中的低时延推理。

本文提出了首个面向僧伽罗语连声（Sandhi）切分的神经网络基准任务，采用字符级 seq2seq 模型在 SandhiLex 数据集上进行实验，其中双向 LSTM 编码器在困难的词汇化/派生性连声上达到 68.40% 的完全匹配准确率，而在规则性的词缀切分案例上则达到 94%。

在 NASA C-MAPSS 涡扇发动机基准数据集上，对用于 LSTM 故障检测器的同步环形 gossip、FedAvg、本地训练和集中式训练进行同协议对比。结果表明，gossip 是联邦平均的一种实用 serverless 替代方案：无需协调器即可达到与 FedAvg 相当的性能。

本文结合迁移学习与保形分位数回归，以提高在孟加拉国因限电导致的数据稀缺条件下的太阳能光伏预测精度和不确定性量化，展示了与基线方法相比的显著性能提升。

本文提出一种方法，利用 Gaussian Process 去相关性消除空间相关性，然后训练 LSTM 以预测雪水当量，从而提高预测准确性，并结合 conformal prediction 进行不确定性量化。

ResNLS 是一种结合了ResNet和LSTM的混合神经网络模型，通过强调股价之间的依赖关系来改进股票价格预测，相比基线模型至少实现了20%的提升，并展示了实际交易应用价值。

一项使用多模态可穿戴数据集进行生理情绪识别的时序深度学习架构比较研究，评估了LSTM、TCN和Transformer模型在不同传感配置下的表现。

本文介绍了一种基于Hegselmann-Krause意见动力学的方法，用于联邦学习中的联盟形成，以解决物联网系统中的数据异质性问题，在水消耗预测中实现了显著的误差降低。

提出一种统一粒子滤波LSTM框架，用于数据驱动过程模拟，该框架维护加权递归状态假设以处理事件日志中的部分观测，并在重现路由和持续时间行为方面优于基线方法。

该预印本比较了XGBoost和LSTM在区域供热系统传输热能预测中的表现，发现XGBoost在持续优于LSTM的同时，还提供了更低的计算成本和环境影响。

本文提出了一种多表征深度学习框架，结合CNN、LSTM和递归图分析来表征脆性X综合征中的α和γ脑电生物标志物，相较于单模态基线方法，分类性能得到提升。

本文提出MambaLSTM，一种结合Mamba状态空间模型和LSTM的框架，用于时空交通事故风险预测，解决了特征融合中的噪声和全局空间关联问题。

本文提出了一种用于时变可靠性分析的双域融合LSTM（DDF-LSTM）模型，该模型集成了时间无关的随机变量和随机过程，通过蒙特卡罗模拟高效地估计失效概率。

本文提出PTTSD，一种从临床访谈转录中检测抑郁症严重程度的概率框架，该框架对不确定性进行建模并提供时间可解释性，在基准数据集上取得了具有竞争力的性能。

本文对LSTM和传统模型在公众舆论情感分析中进行了比较研究。

本文提出了INTENT，一个LSTM框架，用于在交叉口提前2秒预测车辆意图（直行、左转、右转），在InD数据集上达到了99.71%的准确率。

本文评估了帧采样率对使用LSTM和GRU模型进行基于序列的自闭症相关自我刺激手部行为分类的影响，在15帧间隔下实现了高达98.75%的准确率，并分析了针对小规模行为视频数据集的数据增强策略。

提出了一种面向算法交易的不确定性感知强化学习框架，通过SHAP加权重构、MC Dropout和LSTM共识机制，整合了分布性、认知性和偶然性不确定性。在五大美国股票指数上，其表现优于传统模型。

本文提出了一种数据驱动的代理建模框架，采用混合图神经网络-长短期记忆网络架构预测增材制造短纤维热塑性复合材料的静态响应，实现了高精度（R²≈0.98），且计算速度相比有限元模拟提升了两个数量级。