锁定中科院1区TOP！融合LSTM与Attention做时间序列预测 ！

Transformer虽火，但在数据少、要求稳的时序预测场景中，LSTM仍是首选。尤其加上注意力机制后，更是弥补了LSTM的短板，增强了性能，实现了更精确的预测。

这种组合不仅应用场景广泛，工业界爱，学术界也很是认可。对于论文er来说，它比纯Transformer好复现，又比单LSTM容易发论文。而且最近陆续上榜了好几篇中科院一区TOP成果，看出来很适合想发中高区的同学入场了。

不过只堆模块肯定不行，建议多绑实际场景，从注意力结构改造、损失函数设计、非平稳性分解切入。本文整理了12篇LSTM+注意力机制+时序预测新论文，这方向资料略难找，如果需要参考建议直接拿，无偿。

全部论文+开源代码需要的同学看文末

MC-ANN: A Mixture Clustering-Based Attention Neural Network for Time Series Forecasting

方法：论文提出了一种名为MC-ANN的新型时间序列预测模型，专为水位预测设计。该模型融合LSTM抓长时规律、注意力侧重极端值，借混合聚类区分正常与异常数据，提升预测准度。

创新点：

• 提出MC-ANN模型，结合LSTM和注意力机制，精准预测极端事件。

• 引入混合聚类策略，结合点式和段式高斯混合分布，精准区分正常数据与极端事件，提升预测精度。

• 通过实验验证，该模型在水位预测中表现优异，大幅降低误差。

Non-Stationary Fuzzy Time Series Modeling and Forecasting using Deep Learning with Swarm Optimization

方法：论文提出了一种混合模型，结合模糊时间序列、粒子群优化和带注意力机制的双向LSTM，用于预测COVID-19病例。该模型通过优化FTS的超参数并利用注意力机制提升对非平稳时间序列的预测精度。

创新点：

• 提出一种结合模糊时间序列和粒子群优化的混合模型，优化FTS的超参数以处理非平稳数据。

• 使用带注意力机制的Bi-LSTM预测模糊逻辑关系，提升模型对复杂时间序列的预测能力。

• 在五个国家的COVID-19数据上验证模型，证明其在多波疫情数据中的有效性和准确性。

Spatio-temporal epidemic forecasting using mobility data with LSTM networks and attention mechanism

方法：论文提出了一种结合LSTM和注意力机制的深度学习模型，用于预测传染病（如COVID-19）的时间序列数据。该模型通过整合移动性数据，显著提升了短期和长期预测的准确性。

创新点：

• 提出了一种结合LSTM和注意力机制的深度学习模型，用于传染病的短期预测。

• 整合移动性数据，有效捕捉时空动态，提升预测精度。

• 通过多指标评估，证明模型在不同地区和时间阶段的鲁棒性和准确性。

CNN‑LSTM‑Attention with PSO optimization for temperature and fault prediction in meat grinder motors

方法：论文提出了一种基于CNN-LSTM-AP的肉类研磨机电机温度和故障预测方法。该方法利用LSTM捕捉时间序列的长期依赖关系，并结合注意力机制动态加权关键特征，以提升时间序列预测的准确性。

创新点：

• 提出CNN-LSTM-AP模型，融合CNN、LSTM和注意力机制，结合PSO优化超参数，提升预测精度。

• 基于马氏距离建立PMT监测指数及预警阈值，实现电机故障的早期预警。

• 通过实验验证，该模型在预测精度和鲁棒性方面优于其他常见模型。

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