LSTMTransformer用于时间序列预测一个非常热门且成果丰富的研究方向绝对适合作为论文选题。但现在难点在于简单的缝合LSTM提取特征然后输入Transformer或者Transformer输出后接LSTM解码...这类思路已经快做烂了。要想发表高质量的论文就需要更深入的创新。简单推荐几个思路比如改进注意力机制这类结构性创新最近IEEE TGRS上的CCD-TBLCA方法就是见下文再比如处理非平稳性这类问题驱动创新、参数高效微调这类模型效率创新...总之这方向现在依然是值得做的建议先复现经典看看前沿然后再做尝试。本文专为需要参考的同学整理了12篇LSTMTransformer时序预测论文附代码无偿分享希望能有所帮助。全部论文开源代码需要的同学看文末CCD-TBLCA: A Land Cover Continuous Change Detection Method Fusing Transformer and Bi-directional LSTM via Cross-Attention研究方法研究提出CCD-TBLCA方法基于遥感光谱时间序列通过交叉注意力融合Transformer和双向LSTM构建双分支编码结构捕捉时序长期依赖与局部动态实现端到端的序列到序列土地覆盖时间预测与连续变化断点检测同时用掩码策略处理时序缺失观测。创新点融合Transformer和双向LSTM构建双分支编码框架通过交叉注意力实现二者时序特征互补提升连续变化序列建模能力。设计掩码策略处理遥感时序缺失值模型可直接对原始不规则数据建模无需插值增强鲁棒性。提出语义一致性断点检测指标完善评价体系并构建多地理环境验证数据集验证模型泛化能力。研究价值研究提出的CCD-TBLCA方法实现了遥感时序数据下土地覆盖连续变化的精准检测填补了现有方法在语义一致性评价上的空白为城市规划、生态保护等领域提供了高精度的土地覆盖时空动态监测技术支撑也为不规则时序遥感数据的分析利用提供了新的有效范式。A time series driven model for early sepsis prediction based on transformer module研究方法研究基于脓毒症诊断前4h、8h、12h的患者临床时间序列数据构建CNN-Transformer和LSTM-Transformer两种时序预测模型以传统循环神经网络为基线对比模型性能同时采用SHAP算法可视化特征权重提升模型可解释性实现脓毒症的早期精准预测。创新点构建LSTM-Transformer融合模型替换传统嵌入层提取临床时序特征捕捉数据的局部与全局依赖关系。验证模型在脓毒症发病前12h的早期时间窗口仍有优异预测性能大幅提前临床干预时机。引入SHAP算法可视化特征权重识别脓毒症关键预测特征提升模型可解释性并设计临床系统集成框架。研究价值研究构建的LSTM-Transformer时序预测模型实现了脓毒症发病前12h的高精度早期预测大幅提升了脓毒症早期诊断的时间窗口同时结合SHAP算法提升了模型可解释性并识别出关键预测特征为临床脓毒症的早期干预、高危因素识别提供了精准的技术支撑也为医疗时序数据的建模和智能诊断系统的临床落地提供了可行范式。关注下方《学姐带你玩AI》回复“222”获取全部方案开源代码码字不易欢迎大家点赞评论收藏