融合LSTM与Transformer做时间序列预测，发高分轻轻松松！

LSTM结合Transformer，在时间序列预测上效果拔群！ 不仅巧妙融合了二者的优势，还构建了一个强大而灵活的预测框架，为我们处理复杂时间序列数据提供了更牛x的工具。

这方向如今是深度学习领域的热门研究主题，前景非常可观，在工业物联网(如设备故障预警)、智慧城市(如交通流量预测)、生物医学、环境科学(如气象预测)等领域都有广泛应用。相关成果频繁发表于顶会顶刊，尤其是跨学科相关的。

如果想做创新，建议聚焦 模型轻量化、注意力机制优化、跨领域应用 ，并结合实际工业需求设计实验(如大时滞、多变量场景)。本文整理了 10篇 LSTM+Transformer+时序预测新论文 ，需要参考的自取~

扫码 添加小享，回复“ 融合时序 ”

免费获取 全部 论 文+开源代码

Energy consumption prediction strategy for electric vehicle based on LSTM-transformer framework

方法： 论文提出了一种基于LSTM-Transformer框架的电动汽车能耗预测方法，通过整合车辆参数、环境因素、驾驶风格和驾驶条件等多维度特征，利用LSTM处理时间序列数据的短期依赖性，并结合Transformer的自注意力机制捕捉长期依赖关系，从而实现高精度的电动汽车电池剩余电量（SOC）预测。

创新点：

• 提出了一种基于电池电压和电流随时间积分的数值重构方法，用于精确估计电动车能耗变化。
• 引入了一种基于LSTM-Transformer模型的电动车能耗预测框架，与传统模型相比，提高了预测精度和泛化能力。
• 提出了基于短途电力消耗预测的长途电动车能耗预测新方法，在选定的数据集上表现出良好的预测精度。

A hybrid Transformer-LSTM model apply to glucose prediction

方法： 论文提出了一种基于混合Transformer-LSTM模型的血糖预测方法，利用连续血糖监测（CGM）系统收集的数据，通过结合Transformer的长距离依赖捕捉能力和LSTM的时间序列建模优势，实现了对血糖水平的高精度预测。

创新点：

• 提出了一种创新的混合模型，将Transformer的全局数据上下文处理能力与LSTM的时间序列建模优势相结合，用于提升血糖预测的准确性。
• 通过对大量CGM数据集的训练和验证，证明了混合Transformer-LSTM模型在实时血糖预测中的优越性。

扫码 添加小享，回复“ 融合时序